論文の概要: Multi-Source Unsupervised Domain Adaptation with Prototype Aggregation
- arxiv url: http://arxiv.org/abs/2412.16255v1
- Date: Fri, 20 Dec 2024 06:44:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 15:57:13.697382
- Title: Multi-Source Unsupervised Domain Adaptation with Prototype Aggregation
- Title（参考訳）: プロトタイプアグリゲーションを用いたマルチソース非教師付きドメイン適応
- Authors: Min Huang, Zifeng Xie, Bo Sun, Ning Wang,
- Abstract要約: マルチソースドメイン適応(MSDA)は、産業モデル一般化において重要な役割を果たす。
MSDAにおける最近の取り組みは、マルチドメイン分散アライメントの強化に焦点を当てている。
本稿では,クラスレベルとドメインレベルにおけるソースドメインとターゲットドメインの相違をモデル化するプロトタイプアグリゲーション手法を提案する。
- 参考スコア（独自算出の注目度）: 8.139534851987364
- License:
- Abstract: Multi-source domain adaptation (MSDA) plays an important role in industrial model generalization. Recent efforts on MSDA focus on enhancing multi-domain distributional alignment while omitting three issues, e.g., the class-level discrepancy quantification, the unavailability of noisy pseudo-label, and source transferability discrimination, potentially resulting in suboptimal adaption performance. Therefore, we address these issues by proposing a prototype aggregation method that models the discrepancy between source and target domains at the class and domain levels. Our method achieves domain adaptation based on a group of prototypes (i.e., representative feature embeddings). A similarity score-based strategy is designed to quantify the transferability of each domain. At the class level, our method quantifies class-specific cross-domain discrepancy according to reliable target pseudo-labels. At the domain level, our method establishes distributional alignment between noisy pseudo-labeled target samples and the source domain prototypes. Therefore, adaptation at the class and domain levels establishes a complementary mechanism to obtain accurate predictions. The results on three standard benchmarks demonstrate that our method outperforms most state-of-the-art methods. In addition, we provide further elaboration of the proposed method in light of the interpretable results obtained from the analysis experiments.
- Abstract（参考訳）: マルチソースドメイン適応(MSDA)は、産業モデル一般化において重要な役割を果たす。
MSDAの最近の取り組みは、例えば、クラスレベルの差分量化、うるさい擬似ラベルの不有効性、およびソース転送可能性の差別の3つの問題を省きながら、マルチドメインの分散アライメントの向上に重点を置いている。
そこで本稿では,クラスレベルとドメインレベルにおけるソースドメインとターゲットドメインの相違をモデル化したプロトタイプアグリゲーション手法を提案する。
提案手法は,プロトタイプ群(代表的特徴埋め込み)に基づくドメイン適応を実現する。
類似度スコアに基づく戦略は、各ドメインの転送可能性の定量化を目的としている。
クラスレベルでは,クラス固有のクロスドメインの差分を,信頼度の高い擬似ラベルに従って定量化する。
ドメインレベルでは、ノイズの多い擬似ラベル対象サンプルとソースドメインプロトタイプとの分布アライメントを確立する。
したがって、クラスレベルの適応とドメインレベルの適応は、正確な予測を得るために相補的なメカニズムを確立する。
3つの標準ベンチマークの結果から,本手法は最先端の手法よりも優れていることが示された。
さらに,解析実験から得られた解釈可能な結果に基づいて,提案手法のさらなる検討を行う。
関連論文リスト
- ProtoGMM: Multi-prototype Gaussian-Mixture-based Domain Adaptation Model for Semantic Segmentation [0.8213829427624407]
ドメイン適応型セマンティックセグメンテーションは、ラベルのないターゲットドメインに対して正確で高密度な予測を生成することを目的としている。
本稿では,GMMを比較学習に組み込んだProtoGMMモデルを提案する。
クラス間のセマンティックな類似性の向上,クラス間の類似性の低下,およびソースドメインとターゲットドメイン間のドメインアライメントを実現するために,マルチプロトタイプコントラスト学習を採用する。
論文 参考訳（メタデータ） (2024-06-27T14:50:50Z) - Conditional Support Alignment for Domain Adaptation with Label Shift [8.819673391477034]
アンラベルド・ドメイン適応(アンラベルド・ドメイン・アダプティブ、Unlabelled Domain adapt、UDA)とは、学習モデルを、ソース・ドメインのラベル付きサンプルと対象ドメインの教師なしサンプルに基づいて訓練するドメイン適応フレームワークである。
本稿では,対象領域の特徴表現分布に対する条件対称的サポートのばらつきを最小限に抑えることを目的とした,新しい条件逆サポートアライメント(CASA)を提案する。
論文 参考訳（メタデータ） (2023-05-29T05:20:18Z) - Semi-supervised Domain Adaptation via Prototype-based Multi-level
Learning [4.232614032390374]
半教師付きドメイン適応(SSDA)では、各クラスのいくつかのラベル付きターゲットサンプルが、完全なラベル付きソースドメインからターゲットドメインへの知識表現の転送を支援する。
本稿では,ラベル付き対象サンプルの可能性をうまく活用するために,プロトタイプベースのマルチレベル学習(ProML)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-04T10:09:30Z) - Polycentric Clustering and Structural Regularization for Source-free
Unsupervised Domain Adaptation [20.952542421577487]
Source-Free Domain Adaptation (SFDA)は、訓練済みのソースモデルから学習した知識を未確認のターゲットドメインに転送することで、ドメイン適応問題を解決することを目的としている。
既存のほとんどのメソッドは、機能プロトタイプを生成することによって、ターゲットデータに擬似ラベルを割り当てる。
本稿では,PCSRと命名された新しいフレームワークを,クラス内多中心クラスタリングおよび構造規則化戦略を通じてSFDAに取り組むために提案する。
論文 参考訳（メタデータ） (2022-10-14T02:20:48Z) - Multi-level Consistency Learning for Semi-supervised Domain Adaptation [85.90600060675632]
半教師付きドメイン適応(SSDA)は、完全にラベル付けされたソースドメインから学習した知識をわずかにラベル付けされたターゲットドメインに適用することを目的としている。
SSDAのための多レベル一貫性学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-05-09T06:41:18Z) - Instance Level Affinity-Based Transfer for Unsupervised Domain
Adaptation [74.71931918541748]
ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。
まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。
ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
論文 参考訳（メタデータ） (2021-04-03T01:33:14Z) - Curriculum CycleGAN for Textual Sentiment Domain Adaptation with
Multiple Sources [68.31273535702256]
我々は,C-CycleGAN(C-CycleGAN)という,新しいインスタンスレベルのMDAフレームワークを提案する。
C-CycleGANは、(1)異なるドメインからのテキスト入力を連続的な表現空間にエンコードする事前訓練されたテキストエンコーダ、(2)ソースとターゲットドメイン間のギャップを埋めるカリキュラムインスタンスレベルの適応を伴う中間ドメインジェネレータ、(3)中間ドメインで最終感情分類のために訓練されたタスク分類器の3つのコンポーネントから構成される。
3つのベンチマークデータセットに対して広範な実験を行い、最先端のDAアプローチよりも大幅に向上した。
論文 参考訳（メタデータ） (2020-11-17T14:50:55Z) - Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。
本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
論文 参考訳（メタデータ） (2020-08-27T00:53:43Z) - Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。
本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-03-04T23:25:09Z) - Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。
従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。
本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
論文 参考訳（メタデータ） (2020-02-12T09:45:39Z)
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。