論文の概要: Open-Set Heterogeneous Domain Adaptation: Theoretical Analysis and Algorithm

• arxiv url: http://arxiv.org/abs/2412.13036v1
• Date: Tue, 17 Dec 2024 15:59:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 13:57:46.091799
• Title: Open-Set Heterogeneous Domain Adaptation: Theoretical Analysis and Algorithm
• Title（参考訳）: オープンセット不均一領域適応:理論的解析とアルゴリズム
• Authors: Thai-Hoang Pham, Yuanlong Wang, Changchang Yin, Xueru Zhang, Ping Zhang,
• Abstract要約: ドメイン適応(DA)は、ターゲットドメインに一般化するソースドメインからモデルを学習することで、分散シフトの問題に取り組む。 既存のDAメソッドのほとんどは、ソースとターゲットドメインデータが同じ機能空間内にあるシナリオ用に設計されています。 本稿では、ソースドメインとターゲットドメイン間の不均一な特徴空間がもたらす課題を解決するために、オープンセットHeDA(OSHeDA)と呼ばれる新しいDAシナリオについて検討する。
• 参考スコア（独自算出の注目度）: 13.83754799837332
• License:
• Abstract: Domain adaptation (DA) tackles the issue of distribution shift by learning a model from a source domain that generalizes to a target domain. However, most existing DA methods are designed for scenarios where the source and target domain data lie within the same feature space, which limits their applicability in real-world situations. Recently, heterogeneous DA (HeDA) methods have been introduced to address the challenges posed by heterogeneous feature space between source and target domains. Despite their successes, current HeDA techniques fall short when there is a mismatch in both feature and label spaces. To address this, this paper explores a new DA scenario called open-set HeDA (OSHeDA). In OSHeDA, the model must not only handle heterogeneity in feature space but also identify samples belonging to novel classes. To tackle this challenge, we first develop a novel theoretical framework that constructs learning bounds for prediction error on target domain. Guided by this framework, we propose a new DA method called Representation Learning for OSHeDA (RL-OSHeDA). This method is designed to simultaneously transfer knowledge between heterogeneous data sources and identify novel classes. Experiments across text, image, and clinical data demonstrate the effectiveness of our algorithm. Model implementation is available at \url{https://github.com/pth1993/OSHeDA}.
• Abstract（参考訳）: ドメイン適応(DA)は、ターゲットドメインに一般化するソースドメインからモデルを学習することで、分散シフトの問題に取り組む。 しかし、既存のDAメソッドのほとんどは、ソースとターゲットのドメインデータが同じ機能空間内にあるシナリオのために設計されており、現実の状況における適用性を制限する。 近年,ヘテロジニアスDA(HeDA)法は,ソースドメインとターゲットドメインの間の異種特徴空間によって生じる課題に対処するために導入されている。 彼らの成功にもかかわらず、現在のHeDAテクニックは、特徴空間とラベル空間の両方にミスマッチがあるときに不足する。 そこで本稿では,Open-set HeDA (OSHeDA) と呼ばれる新たなDAシナリオについて検討する。 OSHeDAでは、モデルは特徴空間における不均一性を扱うだけでなく、新しいクラスに属するサンプルも識別しなければならない。 この課題に対処するために、我々はまず、対象領域における予測誤差の学習境界を構成する新しい理論フレームワークを開発する。 本稿では,OSHeDAのための表現学習(Representation Learning for OSHeDA, RL-OSHeDA)という新しいDA手法を提案する。 この方法は、異種データソース間で知識を同時に伝達し、新しいクラスを特定するように設計されている。 テキスト,画像,臨床データにまたがる実験により,本アルゴリズムの有効性が示された。 モデルの実装は \url{https://github.com/pth1993/OSHeDA} で利用可能である。

関連論文リスト

• Recall and Refine: A Simple but Effective Source-free Open-set Domain Adaptation Framework [9.03028904066824]
  Open-set Domain Adaptation (OSDA)は、ラベル付きソースドメインからラベルなしターゲットドメインへのモデルを適応することを目的としている。 リコール・アンド・リファイン(RRDA)はSF-OSDAフレームワークで,対象とする未知のクラスに対する特徴を明示的に学習することで,制約に対処する。
  論文  参考訳（メタデータ） (2024-11-19T15:18:50Z)
• Delving into the Continuous Domain Adaptation [12.906272389564593]
  既存のドメイン適応法では、ドメインの相違はいくつかの異なる属性とバリエーションによって生じると仮定している。 これは現実的なものではなく、いくつかの離散属性を使って現実世界のデータセットを定義することは不可能である、と我々は主張する。 継続的ドメイン適応という新しい問題について検討する。
  論文  参考訳（メタデータ） (2022-08-28T02:32:25Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• UMAD: Universal Model Adaptation under Domain and Category Shift [138.12678159620248]
  Universal Model Adaptation (UMAD)フレームワークは、ソースデータにアクセスせずに両方のUDAシナリオを処理する。 未知のサンプルと未知のサンプルを識別するのに役立つ情報整合性スコアを開発した。 オープンセットおよびオープンパーティルセット UDA シナリオの実験では、UMAD が最先端のデータ依存手法に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2021-12-16T01:22:59Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• Domain Impression: A Source Data Free Domain Adaptation Method [27.19677042654432]
  教師なしドメイン適応法は、ソースデータセットがすべてのラベルで利用可能であると仮定して、ラベルなしのターゲットセットの適応問題を解決する。 本稿では,ソースデータを必要としないドメイン適応手法を提案する。 ソースデータの代わりに、ソースデータに基づいてトレーニングされた分類器のみを提供しています。
  論文  参考訳（メタデータ） (2021-02-17T19:50:49Z)
• Open-Set Hypothesis Transfer with Semantic Consistency [99.83813484934177]
  本稿では,対象データの変換における意味的一貫性に着目した手法を提案する。 本モデルはまず,自信ある予測を発見し,擬似ラベルを用いた分類を行う。 その結果、ラベルなしデータは、ソースクラスまたは未知のクラスに一致した識別クラスに分類される。
  論文  参考訳（メタデータ） (2020-10-01T10:44:31Z)
• Unsupervised Model Adaptation for Continual Semantic Segmentation [15.820660013260584]
  本研究では,ラベル付きソースドメインを用いて訓練されたセマンティックセグメンテーションモデルを,ラベル付きターゲットドメインで適切に一般化するアルゴリズムを開発した。 我々は,アルゴリズムが有効である条件を理論的に分析し,説明する。 ベンチマーク適応タスクの実験では, 共同UDA手法と比較して, 競争性能が向上することを示した。
  論文  参考訳（メタデータ） (2020-09-26T04:55:50Z)
• Universal Source-Free Domain Adaptation [57.37520645827318]
  ドメイン適応のための新しい2段階学習プロセスを提案する。 Procurementの段階では、今後のカテゴリギャップやドメインシフトに関する事前知識を前提とせず、将来的なソースフリーデプロイメントのためのモデルの提供を目標としています。 Deploymentの段階では、幅広いカテゴリギャップをまたいで動作可能な統一適応アルゴリズムを設計することを目的としている。
  論文  参考訳（メタデータ） (2020-04-09T07:26:20Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。