論文の概要: Unlocking the Potential of Unlabeled Data in Semi-Supervised Domain Generalization

• arxiv url: http://arxiv.org/abs/2503.13915v1
• Date: Tue, 18 Mar 2025 05:19:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:17:42.504018
• Title: Unlocking the Potential of Unlabeled Data in Semi-Supervised Domain Generalization
• Title（参考訳）: 半スーパービジョン領域一般化におけるラベルなしデータの可能性の解き放つ
• Authors: Dongkwan Lee, Kyomin Hwang, Nojun Kwak,
• Abstract要約: 本稿では,これまでSSDG設定で無視されていた未確認サンプルを組み込む手法を提案する。 提案手法は,ベースラインにアタッチされた場合の性能を一貫して改善し,競合するプラグアンドプレイ法より優れることを示す。 また、SSDGにおける本手法の役割を分析し、クラスレベルの識別性を高め、ドメインギャップを緩和することを示す。
• 参考スコア（独自算出の注目度）: 26.240518216121487
• License:
• Abstract: We address the problem of semi-supervised domain generalization (SSDG), where the distributions of train and test data differ, and only a small amount of labeled data along with a larger amount of unlabeled data are available during training. Existing SSDG methods that leverage only the unlabeled samples for which the model's predictions are highly confident (confident-unlabeled samples), limit the full utilization of the available unlabeled data. To the best of our knowledge, we are the first to explore a method for incorporating the unconfident-unlabeled samples that were previously disregarded in SSDG setting. To this end, we propose UPCSC to utilize these unconfident-unlabeled samples in SSDG that consists of two modules: 1) Unlabeled Proxy-based Contrastive learning (UPC) module, treating unconfident-unlabeled samples as additional negative pairs and 2) Surrogate Class learning (SC) module, generating positive pairs for unconfident-unlabeled samples using their confusing class set. These modules are plug-and-play and do not require any domain labels, which can be easily integrated into existing approaches. Experiments on four widely used SSDG benchmarks demonstrate that our approach consistently improves performance when attached to baselines and outperforms competing plug-and-play methods. We also analyze the role of our method in SSDG, showing that it enhances class-level discriminability and mitigates domain gaps. The code is available at https://github.com/dongkwani/UPCSC.
• Abstract（参考訳）: 準教師付き領域一般化(SSDG)の課題は、列車と試験データの分布が異なる場合であり、ラベル付きデータとラベルなしデータの量が少ない場合のみである。 既存のSSDGメソッドは、モデルが高い信頼度を持つ未ラベルのサンプルのみを活用するため、利用可能な未ラベルデータの完全な利用を制限している。 我々の知る限りでは、これまでSSDG設定で無視されていた未確認のサンプルを組み込む手法を最初に検討する。 そこで本研究では,2つのモジュールからなるSSDGの未確認サンプルを利用するためのUPCSCを提案する。 1)Unlabeled Proxy-based Contrastive Learning (UPC)モジュールは、信頼できない未ラベルのサンプルを追加の負のペアとして扱う。 2)Surrogate Class Learning (SC) module, generated positive pairs for unconfident-unlabeled sample using their confusion class set。 これらのモジュールはプラグイン・アンド・プレイであり、既存のアプローチに簡単に統合できるようなドメイン・ラベルは一切必要としない。 4つの広く使用されているSSDGベンチマーク実験により,本手法はベースラインにアタッチした際の性能を一貫して改善し,競合するプラグアンドプレイ法より優れることを示した。 また、SSDGにおける本手法の役割を分析し、クラスレベルの識別性を高め、ドメインギャップを緩和することを示す。 コードはhttps://github.com/dongkwani/UPCSCで公開されている。

関連論文リスト

• Domain-Guided Weight Modulation for Semi-Supervised Domain Generalization [11.392783918495404]
  半教師付き領域一般化の課題について検討する。 目的は、ラベル付きデータのごく一部とラベルなしデータの比較的大きな部分だけを使用しながら、ドメイン一般化可能なモデルを学ぶことである。 そこで本研究では,様々なドメインシフトの下で,正確な擬似ラベルの生成を容易にする新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-04T01:26:23Z)
• Generalized Semi-Supervised Learning via Self-Supervised Feature Adaptation [87.17768598044427]
  従来の半教師付き学習は、ラベル付きデータとラベルなしデータの特徴分布が一貫したものであると仮定する。 本稿では,ラベル付きおよびラベルなしデータの分散によるSSL性能向上のための汎用フレームワークであるセルフ・スーパービジョン・フィーチャー・アダプテーション(SSFA)を提案する。 提案するSSFAは擬似ラベルベースのSSL学習者に適用可能であり,ラベル付き,ラベルなし,さらには目に見えない分布における性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-05-31T03:13:45Z)
• Towards Generalizing to Unseen Domains with Few Labels [7.002657345547741]
  ラベル付きデータの限られたサブセットを活用することにより、ドメインの一般化可能な特徴を学習するモデルを得る。 ラベル付けされていないデータを活用できない既存のドメイン一般化(DG)手法は、半教師付き学習(SSL)法に比べて性能が劣る。
  論文  参考訳（メタデータ） (2024-03-18T11:21:52Z)
• Improving Pseudo-labelling and Enhancing Robustness for Semi-Supervised Domain Generalization [7.9776163947539755]
  自動化医療のような現実のアプリケーションに不可欠な半スーパービジョン・ドメイン・ジェネリゼーションの問題について検討する。 モデル平均化を用いた新しい不確実性誘導擬似ラベリングを用いたSSDG手法を提案する。 我々の不確実性誘導型擬似ラベリング(UPL)は、モデル不確実性を利用して擬似ラベリング選択を改善する。
  論文  参考訳（メタデータ） (2024-01-25T05:55:44Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• JointMatch: A Unified Approach for Diverse and Collaborative Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
  半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。 擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。 我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
  論文  参考訳（メタデータ） (2023-10-23T05:43:35Z)
• OSSGAN: Open-Set Semi-Supervised Image Generation [26.67298827670573]
  我々は、オープンセット半教師付き画像生成と呼ばれる条件付きGANの挑戦的なトレーニング手法を導入する。 OSSGANは、未ラベルの画像が関心のクラスのうちの1つまたは2つに属しているかどうかに基づいて、差別者に決定の手がかりを提供する。 Tiny ImageNetとImageNetの実験結果は、教師付きBigGANおよび半教師付きメソッドよりも顕著に改善されている。
  論文  参考訳（メタデータ） (2022-04-29T17:26:09Z)
• OpenCoS: Contrastive Semi-supervised Learning for Handling Open-set Unlabeled Data [65.19205979542305]
  ラベル付けされていないデータには、実際にはクラス外のサンプルが含まれる。 OpenCoSは、このリアルな半教師付き学習シナリオを扱う方法である。
  論文  参考訳（メタデータ） (2021-06-29T06:10:05Z)
• Semi-Supervised Domain Generalization with Stochastic StyleMatch [90.98288822165482]
  実世界のアプリケーションでは、アノテーションのコストが高いため、各ソースドメインから利用可能なラベルはわずかです。 本研究では,より現実的で実践的な半教師付き領域一般化について検討する。 提案手法であるStyleMatchは,擬似ラベルに基づく最先端の半教師付き学習手法であるFixMatchに着想を得たものである。
  論文  参考訳（メタデータ） (2021-06-01T16:00:08Z)
• Domain Generalization via Semi-supervised Meta Learning [7.722498348924133]
  ラベルのないサンプルを活用するための領域一般化法を提案する。 メタ学習アプローチによってトレーニングされ、入力されたソースドメインと見えないターゲットドメイン間の分散シフトを模倣する。 ベンチマークデータセットによる実験結果から,DGは最先端領域の一般化や半教師付き学習方法よりも優れていた。
  論文  参考訳（メタデータ） (2020-09-26T18:05:04Z)
• Federated Semi-Supervised Learning with Inter-Client Consistency & Disjoint Learning [78.88007892742438]
  ラベル付きデータの位置に基づくFSSL(Federated Semi-Supervised Learning)の2つの重要なシナリオについて検討する。 フェデレートマッチング(FedMatch)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-06-22T09:43:41Z)

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。