論文の概要: Robust Multi-Source Domain Adaptation under Label Shift

• arxiv url: http://arxiv.org/abs/2503.02506v1
• Date: Tue, 04 Mar 2025 11:17:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:17:08.648159
• Title: Robust Multi-Source Domain Adaptation under Label Shift
• Title（参考訳）: ラベルシフトによるロバストなマルチソースドメイン適応
• Authors: Congbin Xu, Chengde Qian, Zhaojun Wang, Changliang Zou,
• Abstract要約: 教師なしマルチソースドメイン適応は、ソースドメインからのラベル付きサンプルを用いて、ターゲットドメイン内のラベルなしサンプルのラベルを予測することを目的としている。 対象ドメインのクラス比のロバストな推定のための,ドメイン重み付き経験的リスク最小化フレームワークについて検討する。
• 参考スコア（独自算出の注目度）: 1.3499500088995464
• License:
• Abstract: As the volume of data continues to expand, it becomes increasingly common for data to be aggregated from multiple sources. Leveraging multiple sources for model training typically achieves better predictive performance on test datasets. Unsupervised multi-source domain adaptation aims to predict labels of unlabeled samples in the target domain by using labeled samples from source domains. This work focuses on robust multi-source domain adaptation for multi-category classification problems against the heterogeneity of label shift and data contamination. We investigate a domain-weighted empirical risk minimization framework for robust estimation of the target domain's class proportion. Inspired by outlier detection techniques, we propose a refinement procedure within this framework. With the estimated class proportion, robust classifiers for the target domain can be constructed. Theoretically, we study the finite-sample error bounds of the domain-weighted empirical risk minimization and highlight the improvement of the refinement step. Numerical simulations and real-data applications demonstrate the superiority of the proposed method.
• Abstract（参考訳）: データの量が拡大し続ければ、複数のソースからデータを集約することがますます一般的になる。 モデルトレーニングに複数のソースを活用することで、テストデータセットの予測パフォーマンスが向上するのが一般的です。 教師なしマルチソースドメイン適応は、ソースドメインからのラベル付きサンプルを用いて、ターゲットドメイン内のラベルなしサンプルのラベルを予測することを目的としている。 本研究は、ラベルシフトとデータ汚染の不均一性に対する多カテゴリ分類問題に対する堅牢なマルチソースドメイン適応に焦点を当てる。 対象ドメインのクラス比のロバストな推定のための,ドメイン重み付き経験的リスク最小化フレームワークについて検討する。 本稿では,外乱検出技術に触発されて,この枠組み内での精細化手法を提案する。 推定クラス比で、ターゲット領域に対するロバストな分類器を構築することができる。 理論的には、ドメイン重み付き経験的リスク最小化の有限サンプル誤差境界について検討し、精錬工程の改善を強調した。 数値シミュレーションと実データ応用は,提案手法の優位性を実証する。

関連論文リスト

• Revisiting the Domain Shift and Sample Uncertainty in Multi-source Active Domain Transfer [69.82229895838577]
  Active Domain Adaptation (ADA)は、アノテートするターゲットデータの限られた数を選択することで、新しいターゲットドメインにおけるモデル適応を最大限に向上することを目的としている。 この設定は、複数のソースからトレーニングデータを収集するより実践的なシナリオを無視します。 これは、ADAを単一のソースドメインから複数のソースドメインに拡張する、新しい、挑戦的な知識転送の設定を目標にしています。
  論文  参考訳（メタデータ） (2023-11-21T13:12:21Z)
• Multi-Source Soft Pseudo-Label Learning with Domain Similarity-based Weighting for Semantic Segmentation [2.127049691404299]
  本稿では,複数のソースデータセットを用いたセマンティックセグメンテーションのためのドメイン適応トレーニング手法について述べる。 複数のソースモデルから予測対象確率を統合することで,ソフトな擬似ラベル生成手法を提案する。
  論文  参考訳（メタデータ） (2023-03-02T05:20:36Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• 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)
• T-SVDNet: Exploring High-Order Prototypical Correlations for Multi-Source Domain Adaptation [41.356774580308986]
  マルチソースドメイン適応の課題に対処するために,T-SVDNetという新しい手法を提案する。 複数のドメインとカテゴリの高次相関は、ドメインギャップを埋めるため、完全に検討されている。 ノイズ源データによる負の伝達を回避するため,新しい不確実性を考慮した重み付け手法を提案する。
  論文  参考訳（メタデータ） (2021-07-30T06:33:05Z)
• 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)
• 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)
• Discrepancy Minimization in Domain Generalization with Generative Nearest Neighbors [13.047289562445242]
  ドメイン一般化(Domain Generalization, DG)は、複数のソースドメインでトレーニングされた機械学習モデルが、統計の異なるターゲットドメインでうまく一般化できないという、ドメインシフトの問題を扱う。 シフト対象領域の一般化を保証するのに失敗するソースドメイン全体にわたるドメイン不変表現を学習することにより、ドメイン一般化の問題を解決するために、複数のアプローチが提案されている。 本稿では,GNNDM(Generative Nearest Neighbor Based Discrepancy Minimization)法を提案する。
  論文  参考訳（メタデータ） (2020-07-28T14:54:25Z)
• 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)

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。