論文の概要: Decentralized Federated Dataset Dictionary Learning for Multi-Source Domain Adaptation

• arxiv url: http://arxiv.org/abs/2503.17683v1
• Date: Sat, 22 Mar 2025 07:48:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:39:02.457308
• Title: Decentralized Federated Dataset Dictionary Learning for Multi-Source Domain Adaptation
• Title（参考訳）: マルチソースドメイン適応のための分散フェデレーションデータセット辞書学習
• Authors: Rebecca Clain, Eduardo Fernandes Montesuma, Fred Ngolè Mboula,
• Abstract要約: 分散マルチソースドメイン適応(DMSDA)は難しい課題です。 私たちの仕事は、完全に分散化されたフェデレーションアプローチによってDMSDAに取り組みます。
• 参考スコア（独自算出の注目度）: 5.042313273982193
• License:
• Abstract: Decentralized Multi-Source Domain Adaptation (DMSDA) is a challenging task that aims to transfer knowledge from multiple related and heterogeneous source domains to an unlabeled target domain within a decentralized framework. Our work tackles DMSDA through a fully decentralized federated approach. In particular, we extend the Federated Dataset Dictionary Learning (FedDaDiL) framework by eliminating the necessity for a central server. FedDaDiL leverages Wasserstein barycenters to model the distributional shift across multiple clients, enabling effective adaptation while preserving data privacy. By decentralizing this framework, we enhance its robustness, scalability, and privacy, removing the risk of a single point of failure. We compare our method to its federated counterpart and other benchmark algorithms, showing that our approach effectively adapts source domains to an unlabeled target domain in a fully decentralized manner.
• Abstract（参考訳）: 分散マルチソースドメイン適応(Decentralized Multi-Source Domain Adaptation, DMSDA)は、複数の関連および異種ソースドメインからの知識を分散フレームワーク内のラベルなしターゲットドメインに転送することを目的とした課題である。 私たちの仕事は、完全に分散化されたフェデレーションアプローチによってDMSDAに取り組みます。 特に,中央サーバの必要性を排除し,フェデレートデータセット辞書学習(FedDaDiL)フレームワークを拡張した。 FedDaDiLはWassersteinのバリセンタを活用して、複数のクライアント間の分散シフトをモデル化し、データのプライバシを維持しながら効果的な適応を可能にする。 このフレームワークを分散化することで、ロバスト性、スケーラビリティ、プライバシを高め、単一障害点のリスクを取り除きます。 我々は,提案手法をフェデレートした他のベンチマークアルゴリズムと比較し,提案手法が完全に分散された方法で,ソースドメインをラベル付けされていないターゲットドメインに効果的に適応させることを示す。

関連論文リスト

• Dataset Dictionary Learning in a Wasserstein Space for Federated Domain Adaptation [5.024690447177142]
  マルチソースドメイン適応(MSDA、Multi-Source Domain Adaptation)は、複数の関連する異種ソースデータセットをラベル付けされていないターゲットデータセットに適合させるという、難しいシナリオである。 我々の研究は、この課題に対処するために、分散データセット辞書学習という新しいアプローチを提案する。 我々のアルゴリズムは、各クライアントの基盤となる分布を、プライベートなバリ中心座標によって重み付けされたパブリック原子のワッサーシュタインバリセンタとして表現する。
  論文  参考訳（メタデータ） (2024-07-16T12:13:54Z)
• RAIN: RegulArization on Input and Network for Black-Box Domain Adaptation [80.03883315743715]
  ソースのないドメイン適応は、ソースデータを公開することなく、ソース訓練されたモデルをターゲットドメインに転送する。 このパラダイムは、ソースモデルに対する敵対的な攻撃のため、データ漏洩のリスクがある。 そこで我々は,入力レベルとネットワークレベルの両方の正規化からブラックボックスドメインを適応させる新しい手法であるRAIN(RegulArization on Input and Network)を提案する。
  論文  参考訳（メタデータ） (2022-08-22T18:18:47Z)
• Unsupervised Domain Adaptation for Segmentation with Black-box Source Model [37.02365343894657]
  ソース領域でのみ訓練されたブラックボックスセグメンテーションモデルを用いて,UDAのセグメンテーションのための実用的な解を提案する。 具体的には,指数混合崩壊(EMD)を伴う知識蒸留方式を用いて,ターゲット固有表現を徐々に学習する。 我々は、BraTS 2018データベース上でフレームワークを評価し、ホワイトボックスのソースモデル適応アプローチと同等のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-08-16T14:29:15Z)
• 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)
• Secure Domain Adaptation with Multiple Sources [13.693640425403636]
  マルチソース非教師付きドメイン適応(MUDA)は、最近検討された学習フレームワークである。 目標は、アノテートされたデータで複数のソースドメインから知識を転送することで、ターゲットドメインにおけるラベル付きデータの不足に対処することである。 ソースデータは分散されているため、ソースドメインのデータのプライバシは自然な関心事になり得る。 MUDAのプライバシー問題に対処するために、埋め込みスペースにおけるドメインアライメントというアイデアの恩恵を受けます。
  論文  参考訳（メタデータ） (2021-06-23T02:26:36Z)
• 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)
• Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation [70.45936509510528]
  部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。 ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。 ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
  論文  参考訳（メタデータ） (2020-08-26T03:18:53Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)
• Mutual Learning Network for Multi-Source Domain Adaptation [73.25974539191553]
  ML-MSDA(Multial Learning Network for Multiple Source Domain Adaptation)を提案する。 相互学習の枠組みのもと,提案手法は対象ドメインと各ソースドメインをペアリングし,条件付き対向ドメイン適応ネットワークを分岐ネットワークとして訓練する。 提案手法は, 比較手法より優れ, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-03-29T04:31:43Z)

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。