論文の概要: On Robust Cross Domain Alignment

• arxiv url: http://arxiv.org/abs/2412.15861v1
• Date: Fri, 20 Dec 2024 12:56:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:21:59.817386
• Title: On Robust Cross Domain Alignment
• Title（参考訳）: ロバストクロスドメインアライメントについて
• Authors: Anish Chakrabarty, Arkaprabha Basu, Swagatam Das,
• Abstract要約: グロモフ・ワッサーシュタイン距離(Gromov-Wasserstein distance, GW)は、異なる周囲空間上で支持される分布間のアライメントの効果的な尺度である。 本稿では,GWとその変種を強固にするための3つの新しい手法について論じる。 それぞれの手法について,GW距離との相互依存性と個人関係ととともに,距離特性とロバスト性保証について検討する。
• 参考スコア（独自算出の注目度）: 18.591073295129004
• License:
• Abstract: The Gromov-Wasserstein (GW) distance is an effective measure of alignment between distributions supported on distinct ambient spaces. Calculating essentially the mutual departure from isometry, it has found vast usage in domain translation and network analysis. It has long been shown to be vulnerable to contamination in the underlying measures. All efforts to introduce robustness in GW have been inspired by similar techniques in optimal transport (OT), which predominantly advocate partial mass transport or unbalancing. In contrast, the cross-domain alignment problem being fundamentally different from OT, demands specific solutions to tackle diverse applications and contamination regimes. Deriving from robust statistics, we discuss three contextually novel techniques to robustify GW and its variants. For each method, we explore metric properties and robustness guarantees along with their co-dependencies and individual relations with the GW distance. For a comprehensive view, we empirically validate their superior resilience to contamination under real machine learning tasks against state-of-the-art methods.
• Abstract（参考訳）: グロモフ・ワッサーシュタイン距離(Gromov-Wasserstein distance, GW)は、異なる周囲空間上で支持される分布間のアライメントの効果的な尺度である。 本質的にアイソメトリーからの相互分離を計算した結果、ドメイン翻訳やネットワーク解析で広く使われていることが判明した。 長年、根底にある対策で汚染に弱いことが示されてきた。 GWにおけるロバスト性の導入は、主に部分的な物質輸送やアンバランスを提唱する最適輸送(OT)における同様の手法に着想を得ている。 対照的に、ドメイン間のアライメント問題はOTと根本的に異なるので、多様なアプリケーションや汚染体制に対処する特定のソリューションを要求する。 頑健な統計から、GWとその変種を強固化する3つの文脈的新しい手法について論じる。 それぞれの手法について,GW距離との相互依存性と個人関係ととともに,距離特性とロバスト性保証について検討する。 総合的な観点からは、実際の機械学習タスクにおける汚染に対する優れたレジリエンスを、最先端の手法に対して実証的に検証する。

関連論文リスト

• Metric properties of partial and robust Gromov-Wasserstein distances [3.9485589956945204]
  グロモフ=ワッサーシュタイン距離(Gromov-Wasserstein distance, GW)は、最適な輸送のアイデアに基づいて、メトリクスの族を定義する。 GW距離は本質的に外れ音に敏感であり、部分的マッチングに対応できない。 我々の新しい距離は真の測度を定義し、それらがGW距離と同じ位相を誘導し、摂動にさらなる堅牢性をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-11-04T15:53:45Z)
• Optimal Aggregation of Prediction Intervals under Unsupervised Domain Shift [9.387706860375461]
  分散シフトは、基礎となるデータ生成プロセスが変化したときに発生し、モデルの性能のずれにつながる。 予測間隔は、その基礎となる分布によって引き起こされる不確実性を特徴づける重要なツールとして機能する。 予測区間を集約し,最小の幅と対象領域を適切にカバーする手法を提案する。
  論文  参考訳（メタデータ） (2024-05-16T17:55:42Z)
• Cross-Domain Policy Adaptation via Value-Guided Data Filtering [57.62692881606099]
  動的ミスマッチで異なるドメインにまたがるポリシーを一般化することは、強化学習において重要な課題となる。 本稿では、ペア化された値ターゲットの近接に基づいて、ソースドメインからの遷移を選択的に共有するバリューガイドデータフィルタリング(VGDF)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-28T04:08:40Z)
• On Robust Cross-View Consistency in Self-Supervised Monocular Depth Estimation [56.97699793236174]
  本論文では,2種類の堅牢なクロスビュー整合性について検討する。 深度特徴空間と3次元ボクセル空間の時間的コヒーレンスを自己教師付き単眼深度推定に利用した。 いくつかのアウトドアベンチマークの実験結果から,本手法は最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-19T03:46:13Z)
• Maximum Spatial Perturbation Consistency for Unpaired Image-to-Image Translation [56.44946660061753]
  本稿では,最大空間摂動整合(MSPC)と呼ばれる普遍正規化手法を提案する。 MSPCは空間摂動関数(T)と変換演算子(G)を可換(TG = GT)に強制する。 提案手法は,ほとんどのI2Iベンチマークにおいて最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-03-23T19:59:04Z)
• Few Shot Generative Model Adaption via Relaxed Spatial Structural Alignment [130.84010267004803]
  限られたデータでGAN(Generative Adversarial Network)を訓練することは難しい課題である。 実現可能な解決策は、大規模なソースドメインで十分に訓練されたGANから始め、ターゲットドメインにいくつかのサンプルで適応することである。 本研究では,適応時の対象生成モデルのキャリブレーションを行うための緩和された空間構造アライメント手法を提案する。
  論文  参考訳（メタデータ） (2022-03-06T14:26:25Z)
• Cross-Domain Imitation Learning via Optimal Transport [12.221297423161502]
  クロスドメイン模倣学習は、あるエージェントの専門的なデモンストレーションを活用して、異なる実施形態や形態を持つ模倣エージェントを訓練する方法を研究する。 本稿では,Gromov-Wasserstein Imitation Learning (GWIL)を提案する。
  論文  参考訳（メタデータ） (2021-10-07T17:59:49Z)
• Domain Adaptation Gaze Estimation by Embedding with Prediction Consistency [10.246471430786244]
  本稿では,ドメイン適応型視線推定のための教師なし手法を提案する。 我々はソース・ギャンブルを用いて、各ターゲット領域の予測に対して、視線空間に局所線型表現を形成する。 同じ線形結合を埋め込み空間に印加し、対象領域のサンプルに対して仮説埋め込みを生成する。
  論文  参考訳（メタデータ） (2020-11-15T13:33:43Z)
• Simultaneous Semantic Alignment Network for Heterogeneous Domain Adaptation [67.37606333193357]
  本稿では,カテゴリ間の相関を同時に利用し,各カテゴリ毎のセントロイドを整列させるために,aSimultaneous Semantic Alignment Network (SSAN)を提案する。 対象の擬似ラベルを利用することで、各カテゴリの特徴表現を整列させるために、ロバストな三重項中心のアライメント機構を明示的に適用する。 テキスト・ツー・イメージ、画像・画像・テキスト・ツー・テキストにわたる様々なHDAタスクの実験は、最先端のHDA手法に対するSSANの優位性を検証することに成功した。
  論文  参考訳（メタデータ） (2020-08-04T16:20:37Z)
• Towards Certified Robustness of Distance Metric Learning [53.96113074344632]
  我々は,距離学習アルゴリズムの一般化とロバスト性を改善するために,入力空間に逆のマージンを付与することを提唱する。 アルゴリズム的ロバスト性の理論手法を用いることにより,拡張マージンは一般化能力に有益であることを示す。
  論文  参考訳（メタデータ） (2020-06-10T16:51:53Z)
• Theoretical Guarantees for Bridging Metric Measure Embedding and Optimal Transport [18.61019008000831]
  共役ユークリッド空間に計量測度空間を埋め込み、埋め込み分布上の最適輸送(OT)を計算する方法を考える。 このことは、ロバストなワッサーシュタイン距離(SERW)を埋め込む部分埋め込み(sub-embedding robust Wasserstein)と呼ばれるものにつながります。
  論文  参考訳（メタデータ） (2020-02-19T17:52:01Z)

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。