論文の概要: Open Set Label Shift with Test Time Out-of-Distribution Reference

• arxiv url: http://arxiv.org/abs/2505.05868v1
• Date: Fri, 09 May 2025 08:09:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.199191
• Title: Open Set Label Shift with Test Time Out-of-Distribution Reference
• Title（参考訳）: テスト時間アウトオブディストリビューション参照によるオープンセットラベルシフト
• Authors: Changkun Ye, Russell Tsuchida, Lars Petersson, Nick Barnes,
• Abstract要約: オープンセットラベルシフト(OSLS)は、ラベル分布がソースからターゲット分布に変化するときに発生する。 ソースとターゲットのオープンセットラベルの分布を推定する。
• 参考スコア（独自算出の注目度）: 37.16362376351974
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Open set label shift (OSLS) occurs when label distributions change from a source to a target distribution, and the target distribution has an additional out-of-distribution (OOD) class. In this work, we build estimators for both source and target open set label distributions using a source domain in-distribution (ID) classifier and an ID/OOD classifier. With reasonable assumptions on the ID/OOD classifier, the estimators are assembled into a sequence of three stages: 1) an estimate of the source label distribution of the OOD class, 2) an EM algorithm for Maximum Likelihood estimates (MLE) of the target label distribution, and 3) an estimate of the target label distribution of OOD class under relaxed assumptions on the OOD classifier. The sampling errors of estimates in 1) and 3) are quantified with a concentration inequality. The estimation result allows us to correct the ID classifier trained on the source distribution to the target distribution without retraining. Experiments on a variety of open set label shift settings demonstrate the effectiveness of our model. Our code is available at https://github.com/ChangkunYe/OpenSetLabelShift.
• Abstract（参考訳）: オープンセットラベルシフト(OSLS)は、ラベル分布がソースからターゲットディストリビューションに変更され、ターゲットディストリビューションが追加のアウト・オブ・ディストリビューション(OOD)クラスを持つ場合に発生する。 本研究では,ソースドメイン内分布(ID)分類器とID/OOD分類器を用いて,ソースとターゲットの両方のオープンセットラベル分布に対する推定器を構築する。 ID/OOD分類器の合理的な仮定により、推定子は3つのステージのシーケンスに組み立てられる。 1) OODクラスのソースラベル分布の推定 2) 目標ラベル分布の最大値推定(MLE)のためのEMアルゴリズム,及び 3) OOD分類器の緩やかな仮定の下で, OOD分類器の目標ラベル分布を推定する。 推定値のサンプリング誤差 1)と 3) 濃度不等式で定量化する。 推定結果から,ターゲット分布に対するソース分布に基づいて訓練されたID分類器を,再学習せずに修正することができる。 様々なオープンセットラベルシフト設定の実験は、我々のモデルの有効性を実証している。 私たちのコードはhttps://github.com/ChangkunYe/OpenSetLabelShiftで利用可能です。

関連論文リスト

• Theory-inspired Label Shift Adaptation via Aligned Distribution Mixture [21.494268411607766]
  ADM(Aligned Distribution Mixture)という名称の革新的なラベルシフトフレームワークを提案する。 本フレームワークでは,分類器学習プロセスに修正を加えることで,4つの典型的なラベルシフト手法を改良する。 提案手法の特異性を考慮し,効率的な二段階最適化戦略を開発する。
  論文  参考訳（メタデータ） (2024-11-04T12:51:57Z)
• GeT: Generative Target Structure Debiasing for Domain Adaptation [67.17025068995835]
  ドメイン適応(DA)は、ドメインシフトの下で、完全にラベル付けされたソースからほとんどラベル付けされていない、または完全にラベル付けされていないターゲットに知識を転送することを目的としています。 近年,擬似ラベリングを利用した半教師付き学習(SSL)技術がDAでますます普及している。 本稿では,高品質な擬似ラベルを用いた非バイアス対象埋め込み分布を学習するGeTを提案する。
  論文  参考訳（メタデータ） (2023-08-20T08:52:43Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• Domain Adaptation under Open Set Label Shift [39.424134505152544]
  オープンセットラベルシフト(OSLS)におけるドメイン適応問題について紹介する。 OSLSはラベルシフトとポジティブアンラベル(PU)学習の下でドメイン適応を仮定する。 ブラックボックス予測器を利用する両方のタスクに対して,実用的な手法を提案する。
  論文  参考訳（メタデータ） (2022-07-26T17:09:48Z)
• Cycle Label-Consistent Networks for Unsupervised Domain Adaptation [57.29464116557734]
  ドメイン適応は、ラベル付きソースドメインを活用して、異なる分布を持つラベル付きターゲットドメインの分類子を学ぶことを目的としています。 本稿では,分類ラベルのサイクル整合性を利用して,シンプルで効率的な領域適応手法,すなわちCycle Label-Consistent Network (CLCN)を提案する。 MNIST-USPS-SVHN, Office-31, Office-Home, Image CLEF-DAベンチマークに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2022-05-27T13:09:08Z)
• Unimodal-Concentrated Loss: Fully Adaptive Label Distribution Learning for Ordinal Regression [32.35098925000738]
  既存のALDLアルゴリズムは、順序回帰の本質的な性質を十分に活用していないと論じる。 完全適応型ラベル分布学習(unimodal-concentated loss)のための新しい損失関数を提案する。
  論文  参考訳（メタデータ） (2022-04-01T09:40:11Z)
• Instance-Dependent Partial Label Learning [69.49681837908511]
  部分ラベル学習は、典型的には弱教師付き学習問題である。 既存のほとんどのアプローチでは、トレーニングサンプルの間違ったラベルがランダムに候補ラベルとして選択されていると仮定している。 本稿では,各例が実数で構成された潜在ラベル分布と関連していると仮定する。
  論文  参考訳（メタデータ） (2021-10-25T12:50:26Z)

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。