論文の概要: Towards a Problem-Oriented Domain Adaptation Framework for Machine Learning

• arxiv url: http://arxiv.org/abs/2501.04528v1
• Date: Wed, 08 Jan 2025 14:19:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-09 14:56:37.878662
• Title: Towards a Problem-Oriented Domain Adaptation Framework for Machine Learning
• Title（参考訳）: 機械学習のための問題指向ドメイン適応フレームワークを目指して
• Authors: Philipp Spitzer, Dominik Martin, Laurin Eichberger, Niklas Kühl,
• Abstract要約: ドメイン適応は、ターゲットドメインで同じタスクを実行するために、ソースドメインから知識を転送する、機械学習のサブフィールドである。 この分野の最近の進歩は有望な方法を提供しているが、研究者や実践者が与えられた問題にドメイン適応が適しているかどうかを判断することは依然として困難である。 本稿では,ドメイン適応のための問題指向フレームワークを開発するために,デザインサイエンス研究を利用する。
• 参考スコア（独自算出の注目度）: 2.5499055723658097
• License:
• Abstract: Domain adaptation is a sub-field of machine learning that involves transferring knowledge from a source domain to perform the same task in the target domain. It is a typical challenge in machine learning that arises, e.g., when data is obtained from various sources or when using a data basis that changes over time. Recent advances in the field offer promising methods, but it is still challenging for researchers and practitioners to determine if domain adaptation is suitable for a given problem -- and, subsequently, to select the appropriate approach. This article employs design science research to develop a problem-oriented framework for domain adaptation, which is matured in three evaluation episodes. We describe a framework that distinguishes between five domain adaptation scenarios, provides recommendations for addressing each scenario, and offers guidelines for determining if a problem falls into one of these scenarios. During the multiple evaluation episodes, the framework is tested on artificial and real-world datasets and an experimental study involving 100 participants. The evaluation demonstrates that the framework has the explanatory power to capture any domain adaptation problem effectively. In summary, we provide clear guidance for researchers and practitioners who want to employ domain adaptation but lack in-depth knowledge of the possibilities.
• Abstract（参考訳）: ドメイン適応は、ターゲットドメインで同じタスクを実行するために、ソースドメインから知識を転送する、機械学習のサブフィールドである。 これは機械学習における典型的な課題であり、例えば、データが様々なソースから取得されたときや、時間とともに変化するデータベースを使用するときなどである。 この分野の最近の進歩は有望な方法を提供しているが、研究者や実践者が特定の問題にドメイン適応が適しているか、そしてその後に適切なアプローチを選択することは依然として難しい。 本稿では,3つの評価エピソードで成熟したドメイン適応のための問題指向フレームワークを開発するために,デザインサイエンス研究を利用する。 5つのドメイン適応シナリオを区別し、各シナリオに対処するためのレコメンデーションを提供し、問題の1つに該当するかどうかを決定するためのガイドラインを提供するフレームワークについて説明する。 複数の評価エピソードにおいて、このフレームワークは、人工的および実世界のデータセットと、100人の参加者による実験的な研究に基づいてテストされている。 この評価は、このフレームワークがドメイン適応問題を効果的に捉えるための説明力を持っていることを示す。 まとめると、ドメイン適応を取り入れたいが、その可能性について深い知識がない研究者や実践者に対して、明確なガイダンスを提供する。

関連論文リスト

• Feature Based Methods in Domain Adaptation for Object Detection: A Review Paper [0.6437284704257459]
  ドメイン適応は、異なるデータ分布を持つターゲットドメインにデプロイされた場合、機械学習モデルの性能を向上させることを目的としている。 本総説では, 対人学習, 相違に基づく多分野, 教師学生, アンサンブル, ビジョン言語モデルなど, ドメイン適応のための高度な方法論を考察する。 特に合成ドメインシフトを含むシナリオにおいて、ラベル付きデータへの依存を最小限に抑える戦略に特に注意が払われる。
  論文  参考訳（メタデータ） (2024-12-23T06:34:23Z)
• SKADA-Bench: Benchmarking Unsupervised Domain Adaptation Methods with Realistic Validation On Diverse Modalities [55.87169702896249]
  Unsupervised Domain Adaptation (DA) は、ラベル付きソースドメインでトレーニングされたモデルを適用して、ラベルなしのターゲットドメインでデータ分散シフトをうまく実行する。 本稿では,再重み付け,マッピング,部分空間アライメントなど,既存の浅層アルゴリズムの完全かつ公平な評価を行う。 本ベンチマークでは,現実的な検証の重要性を強調し,現実的なアプリケーションに対する実践的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-07-16T12:52:29Z)
• Towards Subject Agnostic Affective Emotion Recognition [8.142798657174332]
  脳波信号による脳-コンピュータインタフェース(aBCI)の不安定性 本稿では,メタラーニングに基づくメタドメイン適応手法を提案する。 提案手法は,パブリックなaBICsデータセットの実験において有効であることが示されている。
  論文  参考訳（メタデータ） (2023-10-20T23:44:34Z)
• 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)
• A Comprehensive Survey on Source-free Domain Adaptation [69.17622123344327]
  ソースフリードメイン適応(SFDA)の研究は近年注目を集めている。 SFDAの最近の進歩を包括的に調査し、それらを統一的な分類体系に整理する。 一般的な3つの分類基準で30以上のSFDA法を比較検討した。
  論文  参考訳（メタデータ） (2023-02-23T06:32:09Z)
• Domain Adaptation with Incomplete Target Domains [61.68950959231601]
  本稿では、この新たなドメイン適応問題に対処するために、不完全データインプットに基づく Adversarial Network (IDIAN) モデルを提案する。 提案モデルでは,対象領域における部分的な観測に基づいて,欠落した特徴値を満たすデータ計算モジュールを設計する。 我々は、クロスドメインベンチマークタスクと、不完全なターゲットドメインを用いた実世界適応タスクの両方で実験を行う。
  論文  参考訳（メタデータ） (2020-12-03T00:07:40Z)
• A Brief Review of Domain Adaptation [1.2043574473965317]
  本稿では、ラベルがソースドメインでのみ利用可能となる、教師なしドメイン適応に焦点を当てる。 ドメイン適応問題に対処することを目的とした、浅層および深層ドメイン適応アプローチが成功している。
  論文  参考訳（メタデータ） (2020-10-07T07:05:32Z)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)
• Generalized Zero-Shot Domain Adaptation via Coupled Conditional Variational Autoencoders [23.18781318003242]
  本研究では,新しい条件結合型変分自動エンコーダ(CCVAE)を提案する。 航空セキュリティにおける現実の応用をシミュレートするために、X線セキュリティチェックポイントデータセットを含む3つのドメイン適応データセットで実験が行われた。
  論文  参考訳（メタデータ） (2020-08-03T21:48:50Z)
• Continuous Domain Adaptation with Variational Domain-Agnostic Feature Replay [78.7472257594881]
  非定常環境での学習は、機械学習における最大の課題の1つだ。 非定常性はタスクドリフトまたはドメインドリフトによって引き起こされる。 本稿では,3つのコンポーネントから構成されるアプローチである変分ドメインに依存しない特徴リプレイを提案する。
  論文  参考訳（メタデータ） (2020-03-09T19:50:24Z)

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。