論文の概要: Stein Discrepancy for Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2502.03587v3
• Date: Fri, 21 Feb 2025 14:36:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 17:07:58.132665
• Title: Stein Discrepancy for Unsupervised Domain Adaptation
• Title（参考訳）: 教師なし領域適応のための立体差分法
• Authors: Anneke von Seeger, Dongmian Zou, Gilad Lerman,
• Abstract要約: 教師なしドメイン適応(UDA)は、ラベル付きソースデータセットからの情報を活用し、関連するがラベルなしのターゲットデータセットの精度を改善する。 従来の手法では、ワッサーシュタイン距離や平均誤差の最大値といった距離を用いていた。 本稿では、ソースとターゲットドメイン間の距離を測定するために、スタイン差分を用いた新しいUDA手法を提案する。
• 参考スコア（独自算出の注目度）: 12.125503552019504
• License:
• Abstract: Unsupervised domain adaptation (UDA) leverages information from a labeled source dataset to improve accuracy on a related but unlabeled target dataset. A common approach to UDA is aligning representations from the source and target domains by minimizing the distance between their data distributions. Previous methods have employed distances such as Wasserstein distance and maximum mean discrepancy. However, these approaches are less effective when the target data is significantly scarcer than the source data. Stein discrepancy is an asymmetric distance between distributions that relies on one distribution only through its score function. In this paper, we propose a novel UDA method that uses Stein discrepancy to measure the distance between source and target domains. We develop a learning framework using both non-kernelized and kernelized Stein discrepancy. Theoretically, we derive an upper bound for the generalization error. Numerical experiments show that our method outperforms existing methods using other domain discrepancy measures when only small amounts of target data are available.
• Abstract（参考訳）: 教師なしドメイン適応(UDA)は、ラベル付きソースデータセットからの情報を活用し、関連するがラベルなしのターゲットデータセットの精度を改善する。 UDAの一般的なアプローチは、データ分布間の距離を最小化することで、ソースとターゲットドメインからの表現を整列させることである。 従来の手法では、ワッサーシュタイン距離や平均誤差の最大値といった距離を用いていた。 しかし、これらのアプローチは、ターゲットデータがソースデータよりも著しく少ない場合、効果が低い。 スタイン差分は、そのスコア関数を通してのみ1つの分布に依存する分布間の非対称距離である。 本稿では,ソースドメインとターゲットドメイン間の距離を測定するために,Stein差分を用いた新しいUDA手法を提案する。 非カーネル化およびカーネル化されたSteinの相違を利用した学習フレームワークを開発した。 理論的には、一般化誤差の上限を導出する。 数値実験により,本手法は,少量のターゲットデータしか利用できない場合,他の領域差法による既存手法よりも優れた性能を示すことが示された。

関連論文リスト

• 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)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Certainty Volume Prediction for Unsupervised Domain Adaptation [35.984559137218504]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベルなしのターゲットドメインデータを分類する問題を扱う。 特徴空間における多変量ガウス分布としての不確かさをモデル化する新しい不確実性対応領域適応構成を提案する。 提案したパイプラインを、挑戦的なUDAデータセットに基づいて評価し、最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-11-03T11:22:55Z)
• Dealing with Distribution Mismatch in Semi-supervised Deep Learning for Covid-19 Detection Using Chest X-ray Images: A Novel Approach Using Feature Densities [0.6882042556551609]
  半教師付きディープラーニングは、大きなラベル付きデータセットの魅力的な代替手段である。 実世界の使用状況設定では、ラベル付きデータセットとは異なる分布を示す可能性がある。 これにより、ラベル付きデータセットとラベル付きデータセットの分散ミスマッチが発生します。
  論文  参考訳（メタデータ） (2021-08-17T00:35:43Z)
• Understanding the Limits of Unsupervised Domain Adaptation via Data Poisoning [66.80663779176979]
  教師なしドメイン適応(UDA)は、対象ドメインラベルなしでドメイン間の学習を可能にする。 本稿では,ソース領域誤りの最小化と,ターゲット領域誤りの低減を保証するための限界分布ミスマッチの有効性を示す。 そこで本研究では,UDA手法を誤用した新たなデータ中毒攻撃手法を提案する。
  論文  参考訳（メタデータ） (2021-07-08T15:51:14Z)
• KL Guided Domain Adaptation [88.19298405363452]
  ドメイン適応は重要な問題であり、現実世界のアプリケーションにしばしば必要である。 ドメイン適応文学における一般的なアプローチは、ソースとターゲットドメインに同じ分布を持つ入力の表現を学ぶことである。 確率的表現ネットワークにより、KL項はミニバッチサンプルにより効率的に推定できることを示す。
  論文  参考訳（メタデータ） (2021-06-14T22:24:23Z)
• OVANet: One-vs-All Network for Universal Domain Adaptation [78.86047802107025]
  既存のメソッドは、検証または未知のサンプルの事前定義された比率に基づいて未知のサンプルを拒否するしきい値を手動で設定します。 本稿では,ソースサンプルを用いて閾値を学習し,対象領域に適応する手法を提案する。 私たちの考えは、ソースドメインの最小クラス間距離は、ターゲットの既知のか未知かを決定するための良いしきい値であるべきです。
  論文  参考訳（メタデータ） (2021-04-07T18:36:31Z)
• 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)
• Keep it Simple: Image Statistics Matching for Domain Adaptation [0.0]
  ドメイン適応(英: Domain Adaptation, DA)とは、未ラベル画像のみが対象領域から利用可能である場合に検出精度を維持する手法である。 最近の最先端の手法は、敵の訓練戦略を用いて領域ギャップを減らそうとしている。 そこで本研究では,色ヒストグラムと平均画像の共分散を対象領域に合わせることを提案する。 近年の手法と比較して,より簡単な訓練手法を用いて最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-05-26T07:32:09Z)

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。