論文の概要: Decision Boundary Optimization-Informed Domain Adaptation

• arxiv url: http://arxiv.org/abs/2502.06498v1
• Date: Mon, 10 Feb 2025 14:16:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:31:36.031264
• Title: Decision Boundary Optimization-Informed Domain Adaptation
• Title（参考訳）: 決定境界最適化-インフォームド・ドメイン適応
• Authors: Lingkun Luo, Shiqiang Hu, Jie Yang, Liming Chen,
• Abstract要約: 我々は、最大平均離散性(MMD)の測定、すなわち、決定境界最適化インフォームドMD(DB-MMD)を提案する。 そこで本研究では,DB-MMD法によりバニラMDDを用いてベースラインモデルを改良し,マージンを最大9.5まで高めることを示した。
• 参考スコア（独自算出の注目度）: 10.300523469628047
• License:
• Abstract: Maximum Mean Discrepancy (MMD) is widely used in a number of domain adaptation (DA) methods and shows its effectiveness in aligning data distributions across domains. However, in previous DA research, MMD-based DA methods focus mostly on distribution alignment, and ignore to optimize the decision boundary for classification-aware DA, thereby falling short in reducing the DA upper error bound. In this paper, we propose a strengthened MMD measurement, namely, Decision Boundary optimization-informed MMD (DB-MMD), which enables MMD to carefully take into account the decision boundaries, thereby simultaneously optimizing the distribution alignment and cross-domain classifier within a hybrid framework, and leading to a theoretical bound guided DA. We further seamlessly embed the proposed DB-MMD measurement into several popular DA methods, e.g., MEDA, DGA-DA, to demonstrate its effectiveness w.r.t different experimental settings. We carry out comprehensive experiments using 8 standard DA datasets. The experimental results show that the DB-MMD enforced DA methods improve their baseline models using plain vanilla MMD, with a margin that can be as high as 9.5.
• Abstract（参考訳）: 最大平均離散性(MMD)は、多くのドメイン適応(DA)手法で広く使われ、ドメイン間のデータ分散の整合性を示す。 しかし,従来のDA研究では,MDDに基づくDA法は主に分布アライメントに重点を置いており,分類対応DAにおける決定境界の最適化は無視されている。 本稿では,MDDが決定境界を慎重に考慮し,分散アライメントとクロスドメイン分類器をハイブリッドフレームワーク内で同時に最適化し,理論的に有界なDAを実現するためのMDD(Decision Boundary Optimization-informed MMD:DB-MMD)を提案する。 さらに,提案したDB-MMD測定手法をMEDA,DGA-DAなどの一般的なDA手法にシームレスに組み込んで,その有効性を示す。 8つの標準DAデータセットを用いて総合的な実験を行う。 実験の結果,DB-MMD法で施行されたDA法は,バニラMDDを用いてベースラインモデルを改良し,マージンを最大9.5に抑えることができた。

関連論文リスト

• Unveiling the Superior Paradigm: A Comparative Study of Source-Free Domain Adaptation and Unsupervised Domain Adaptation [52.36436121884317]
  Source-Free Domain Adaptation (SFDA) は、現実のシナリオにおいて、Unsupervised Domain Adaptation (UDA) よりも一般的に優れていることを示す。 SFDAは、時間効率、ストレージ要件、対象とする学習目標、負の移動リスクの低減、過度な適合に対する堅牢性の向上といった利点を提供している。 利用可能なソースデータをマルチSFDA手法に効果的に統合する新しい重み推定法を提案する。
  論文  参考訳（メタデータ） (2024-11-24T13:49:29Z)
• Unsupervised Domain Adaptation Via Data Pruning [0.0]
  非教師なし領域適応(UDA)の観点から問題を考える。 本稿では,UDAのトレーニング例を取り除き,トレーニング分布を対象データと整合させる手法であるAdaPruneを提案する。 UDAの手法として、AdaPruneは関連する技術より優れており、CoRALなどの他のUDAアルゴリズムと相補的であることを示す。
  論文  参考訳（メタデータ） (2024-09-18T15:48:59Z)
• Domain-Guided Conditional Diffusion Model for Unsupervised Domain Adaptation [23.668005880581248]
  本研究では,DomAin-guided Conditional Diffusion Model (DACDM)を提案する。 生成されたサンプルは、既存のUDAメソッドがソースドメインからターゲットドメインへの転送をより容易にするのに役立つため、転送性能が向上する。
  論文  参考訳（メタデータ） (2023-09-23T07:09:44Z)
• Attention Regularized Laplace Graph for Domain Adaptation [5.386223883060367]
  本稿では,Attention Regularized Laplace Graph-based Domain Adaptation (ARG-DA)法を提案する。 サブドメイン適応タスク間の重要度を重み付けすることで,クラス認識型DAのためのアテンション正規化ラプラスグラフを提案する。 我々のアプローチは、異なる特徴/ラベル空間にまたがる多様体構造のアライメントを動的に統一することで、包括的多様体学習をもたらす。
  論文  参考訳（メタデータ） (2022-10-15T02:58:57Z)
• Learning Feature Decomposition for Domain Adaptive Monocular Depth Estimation [51.15061013818216]
  改良されたアプローチは、深層学習の進歩で大きな成功をもたらしたが、それらは大量の地底深度アノテーションに依存している。 教師なしドメイン適応(UDA)は、教師付き学習の制約を緩和するため、ラベル付きソースデータからラベルなしターゲットデータに知識を転送する。 本稿では,その特徴空間をコンテンツやスタイルコンポーネントに分解することを学ぶための,学習特徴分解 for Adaptation (LFDA) と呼ばれる新しいMDEのためのUDA手法を提案する。
  論文  参考訳（メタデータ） (2022-07-30T08:05:35Z)
• On Certifying and Improving Generalization to Unseen Domains [87.00662852876177]
  ドメインの一般化は、テスト時に遭遇した見知らぬドメインのパフォーマンスが高いモデルを学ぶことを目的としています。 いくつかのベンチマークデータセットを使用して、DGアルゴリズムを包括的に評価することは困難である。 我々は,任意のDG手法の最悪の性能を効率的に証明できる普遍的な認証フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-24T16:29:43Z)
• Manifold Topology Divergence: a Framework for Comparing Data Manifolds [109.0784952256104]
  本研究では,深部生成モデルの評価を目的としたデータ多様体の比較フレームワークを開発する。 クロスバーコードに基づき,manifold Topology Divergence score(MTop-Divergence)を導入する。 MTop-Divergenceは,様々なモードドロップ,モード内崩壊,モード発明,画像乱れを正確に検出する。
  論文  参考訳（メタデータ） (2021-06-08T00:30:43Z)
• Rethinking Distributional Matching Based Domain Adaptation [111.15106414932413]
  ドメイン適応(DA)は、ラベル付きソースドメインでトレーニングされた予測モデルをラベル付きターゲットドメインに転送するテクニックである。 最も一般的なDAアルゴリズムは、分散マッチング(DM)に基づいている。 本稿では,まずDMに基づく手法の限界を体系的に分析し,さらに現実的なドメインシフトを持つ新しいベンチマークを構築する。
  論文  参考訳（メタデータ） (2020-06-23T21:55:14Z)
• Online Meta-Learning for Multi-Source and Semi-Supervised Domain Adaptation [4.1799778475823315]
  本稿では,既存のDAアルゴリズムの初期条件をメタラーニングすることで,性能向上のためのフレームワークを提案する。 マルチソース非教師付きドメイン適応(MSDA)と半教師付きドメイン適応(SSDA)の両方の変種を提示する。 最大規模のDomainNetを含む,いくつかのDAベンチマークで得られた成果を報告する。
  論文  参考訳（メタデータ） (2020-04-09T07:48:22Z)
• Multi-source Domain Adaptation in the Deep Learning Era: A Systematic Survey [53.656086832255944]
  マルチソースドメイン適応(MDA)は、ラベル付きデータを複数のソースから収集できる強力な拡張である。 MDAは学術と産業の両方で注目を集めている。
  論文  参考訳（メタデータ） (2020-02-26T08:07:58Z)

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。