論文の概要: Soft-Masked Semi-Dual Optimal Transport for Partial Domain Adaptation

• arxiv url: http://arxiv.org/abs/2505.01664v1
• Date: Sat, 03 May 2025 03:20:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.223565
• Title: Soft-Masked Semi-Dual Optimal Transport for Partial Domain Adaptation
• Title（参考訳）: 部分領域適応のためのソフトマスク半次元輸送
• Authors: Yi-Ming Zhai, Chuan-Xian Ren, Hong Yan,
• Abstract要約: 部分的ドメイン適応 (partial domain adapt, PDA) は、ターゲットラベル空間がソースのサブセットである一般的で実用的なシナリオである。 PDA の課題は、ドメインシフトだけでなく、ドメインの非IDラベル空間にも起因している。 本稿では,PDA問題に対処するために,ソフトマスク型半二重最適輸送法(SSOT)を提案する。
• 参考スコア（独自算出の注目度）: 16.213569477689916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual domain adaptation aims to learn discriminative and domain-invariant representation for an unlabeled target domain by leveraging knowledge from a labeled source domain. Partial domain adaptation (PDA) is a general and practical scenario in which the target label space is a subset of the source one. The challenges of PDA exist due to not only domain shift but also the non-identical label spaces of domains. In this paper, a Soft-masked Semi-dual Optimal Transport (SSOT) method is proposed to deal with the PDA problem. Specifically, the class weights of domains are estimated, and then a reweighed source domain is constructed, which is favorable in conducting class-conditional distribution matching with the target domain. A soft-masked transport distance matrix is constructed by category predictions, which will enhance the class-oriented representation ability of optimal transport in the shared feature space. To deal with large-scale optimal transport problems, the semi-dual formulation of the entropy-regularized Kantorovich problem is employed since it can be optimized by gradient-based algorithms. Further, a neural network is exploited to approximate the Kantorovich potential due to its strong fitting ability. This network parametrization also allows the generalization of the dual variable outside the supports of the input distribution. The SSOT model is built upon neural networks, which can be optimized alternately in an end-to-end manner. Extensive experiments are conducted on four benchmark datasets to demonstrate the effectiveness of SSOT.
• Abstract（参考訳）: ビジュアルドメイン適応は、ラベル付きソースドメインからの知識を活用することにより、ラベルなしターゲットドメインの識別的およびドメイン不変表現を学習することを目的としている。 部分的ドメイン適応 (partial domain adapt, PDA) は、ターゲットラベル空間がソースのサブセットである一般的で実用的なシナリオである。 PDA の課題は、ドメインシフトだけでなく、ドメインの非IDラベル空間にも起因している。 本稿では,PDA問題に対処するために,ソフトマスク型半二重最適輸送法(SSOT)を提案する。 具体的には、ドメインのクラス重みを推定し、その後、リイージドソースドメインを構築し、ターゲットドメインとのクラス条件分布マッチングの実行に好適である。 ソフトマインド輸送距離行列はカテゴリ予測によって構成され、共有特徴空間における最適輸送のクラス指向表現能力を向上する。 大規模最適輸送問題に対処するため,エントロピー規則化カンロビッチ問題の半双対定式化を勾配アルゴリズムで最適化できるため採用している。 さらに、強力な適合性のために、ニューラルネットワークを用いて関東ロビオポテンシャルを近似する。 このネットワークのパラメトリゼーションは、入力分布のサポーターの外側の双対変数の一般化を可能にする。 SSOTモデルはニューラルネットワーク上に構築されており、エンドツーエンドで交互に最適化することができる。 SSOTの有効性を示すため、4つのベンチマークデータセットで大規模な実験を行った。

関連論文リスト

• Bi-discriminator Domain Adversarial Neural Networks with Class-Level Gradient Alignment [87.8301166955305]
  そこで本研究では,クラスレベルのアライメントアライメントを有するバイディミネータドメイン対向ニューラルネットワークを提案する。 BACGは、領域分布の整合性を改善するために勾配信号と二階確率推定を利用する。 さらに、対照的な学習にインスパイアされ、トレーニングプロセスを大幅に短縮できるメモリバンクベースの変種であるFast-BACGを開発した。
  論文  参考訳（メタデータ） (2023-10-21T09:53:17Z)
• Constrained Maximum Cross-Domain Likelihood for Domain Generalization [14.91361835243516]
  ドメインの一般化は、複数のソースドメイン上で一般化可能なモデルを学ぶことを目的としている。 本稿では,異なる領域の後方分布間のKL偏差を最小限に抑える新しい領域一般化法を提案する。 Digits-DG、PACS、Office-Home、MiniDomainNetの4つの標準ベンチマークデータセットの実験は、我々のメソッドの優れたパフォーマンスを強調している。
  論文  参考訳（メタデータ） (2022-10-09T03:41:02Z)
• From Big to Small: Adaptive Learning to Partial-Set Domains [94.92635970450578]
  ドメイン適応は、分布シフト中のラベル付きソースドメインからラベルなしターゲットドメインへの知識獲得と普及を目標とする。 近年の進歩は、大規模の深層学習モデルにより、小規模の下流の多様な課題に取り組むための豊富な知識が得られていることを示している。 本稿では,学習パラダイムである部分領域適応(Partial Domain Adaptation, PDA)を紹介する。
  論文  参考訳（メタデータ） (2022-03-14T07:02:45Z)
• Amplitude Spectrum Transformation for Open Compound Domain Adaptive Semantic Segmentation [62.68759523116924]
  オープン化合物ドメイン適応(OCDA)は、実用的な適応セットとして現れている。 我々は、新しい特徴空間振幅スペクトル変換(AST)を提案する。
  論文  参考訳（メタデータ） (2022-02-09T05:40:34Z)
• TDACNN: Target-domain-free Domain Adaptation Convolutional Neural Network for Drift Compensation in Gas Sensors [6.451060076703026]
  本稿では,ターゲットドメインレスドメイン適応畳み込みニューラルネットワーク(TDACNN)に基づくディープラーニングを提案する。 主な概念は、CNNがサンプルのドメイン固有の特徴を抽出するだけでなく、ソースドメインとターゲットドメインの両方の基礎となるドメイン不変の特徴も抽出することである。 異なる設定下でドリフトする2つのデータセットの実験は、いくつかの最先端手法と比較してTDACNNの優位性を示している。
  論文  参考訳（メタデータ） (2021-10-14T16:30:17Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• Deep Residual Correction Network for Partial Domain Adaptation [79.27753273651747]
  ディープドメイン適応法は、よくラベルされたソースドメインから異なるが関連する未ラベルのターゲットドメインへの転送可能な表現を学習することで、魅力的なパフォーマンスを実現している。 本稿では,効率よく実装された深部残留補正網を提案する。 部分的、伝統的、微粒なクロスドメイン認識に関する総合的な実験は、DRCNが競合深いドメイン適応アプローチよりも優れていることを示している。
  論文  参考訳（メタデータ） (2020-04-10T06:07:16Z)

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。