論文の概要: GAMA: Geometry-Aware Manifold Alignment via Structured Adversarial Perturbations for Robust Domain Adaptation

• arxiv url: http://arxiv.org/abs/2505.15194v1
• Date: Wed, 21 May 2025 07:16:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.101349
• Title: GAMA: Geometry-Aware Manifold Alignment via Structured Adversarial Perturbations for Robust Domain Adaptation
• Title（参考訳）: GAMA:ロバスト領域適応のための構造的対向摂動による幾何学的マニフォールドアライメント
• Authors: Hana Satou, F Monkey,
• Abstract要約: GAMAは,幾何情報によって誘導される対角摂動による明示的な多様体アライメントを実現する構造的フレームワークである。 GAMAは、構造化正則化と明示的なアライメントにより、一般化を締め付ける。 DomainNet、VisDA、Office-Homeの実証的な結果は、GAMAが既存の敵対的および適応的手法を一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Domain adaptation remains a challenge when there is significant manifold discrepancy between source and target domains. Although recent methods leverage manifold-aware adversarial perturbations to perform data augmentation, they often neglect precise manifold alignment and systematic exploration of structured perturbations. To address this, we propose GAMA (Geometry-Aware Manifold Alignment), a structured framework that achieves explicit manifold alignment via adversarial perturbation guided by geometric information. GAMA systematically employs tangent space exploration and manifold-constrained adversarial optimization, simultaneously enhancing semantic consistency, robustness to off-manifold deviations, and cross-domain alignment. Theoretical analysis shows that GAMA tightens the generalization bound via structured regularization and explicit alignment. Empirical results on DomainNet, VisDA, and Office-Home demonstrate that GAMA consistently outperforms existing adversarial and adaptation methods in both unsupervised and few-shot settings, exhibiting superior robustness, generalization, and manifold alignment capability.
• Abstract（参考訳）: 領域適応は、ソースドメインとターゲットドメインの間に大きな多様体の相違がある場合、依然として課題である。 近年の手法では、データ拡張を行うために多様体対応の逆摂動を利用するが、正確な多様体アライメントや構造化摂動の体系的な探索は無視されることが多い。 そこで我々はGAMA(Geometry-Aware Manifold Alignment)を提案する。 GAMAは、接空間探索と多様体制約付き対向最適化を体系的に採用し、セマンティック一貫性、オフ・マニフォールド偏差に対する堅牢性、およびクロス・ドメインアライメントを同時に強化する。 理論解析により、GAMAは構造化正則化と明示的アライメントによって一般化を締め付けることが示されている。 DomainNet、VisDA、Office-Homeの実証的な結果から、GAMAは教師なしおよび少数ショット設定の両方において既存の敵対的および適応的手法を一貫して上回り、優れた堅牢性、一般化、および多様体アライメント能力を示す。

関連論文リスト

• GAMA++: Disentangled Geometric Alignment with Adaptive Contrastive Perturbation for Reliable Domain Transfer [0.0]
  GAMA++ は (i) ラベルに一貫性のある多様体方向をニュアンス因子から分離するための潜在空間歪みを導入し、 (ii) クラス固有の多様体曲率とアライメントの差分を、オン・アンド・オフ・マニフォールド探索の両方を調整する適応的コントラスト摂動戦略を導入する新しいフレームワークである。 本手法は,標準設定と数ショット設定の両方でDomainNet,Office-Home,VisDAベンチマークの最先端結果を実現し,クラスレベルのアライメント忠実度とバウンダリロバスト性に顕著な改善を加えた。
  論文  参考訳（メタデータ） (2025-05-21T08:16:35Z)
• Geometrically Regularized Transfer Learning with On-Manifold and Off-Manifold Perturbation [0.0]
  MAADAは、敵の摂動をオン・マニフォールドとオフ・マニフォールドに分解する新しいフレームワークである。 また,MAADAは,教師なし設定と少数ショット設定の両方において,既存の敵・適応手法を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-05-21T07:13:09Z)
• Continuous Domain Generalization [20.41728538658197]
  本稿では,予測モデルを未確認領域に一般化することを目的とした連続領域一般化(CDG)の課題を紹介する。 幾何学的および代数的理論に基礎を置き、領域をまたいだ最適モデルパラメータが低次元多様体上に存在することを示す。 リモートセンシング, 科学文書, 交通予報などの合成および実世界のデータセットを用いた実験により, 本手法は, 記述不完全条件下での一般化精度と堅牢性において, 既存のベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-05-17T12:39:45Z)
• Controllable Guide-Space for Generalizable Face Forgery Detection [0.6445605125467573]
  本稿では,異なる偽ドメインの識別を強化するための制御可能なガイド空間(GS)手法を提案する。 十分に設計されたガイド空間は、偽ドメインの適切な分離と、実際の偽ドメイン間の大きな距離の両方を同時に達成することができる。
  論文  参考訳（メタデータ） (2023-07-26T08:43:12Z)
• Label Alignment Regularization for Distribution Shift [63.228879525056904]
  最近の研究は、教師あり学習におけるラベルアライメント特性(LAP)を強調している。 対象領域の予測と最上位特異ベクトルとのアライメントを促進する非教師なし領域適応の正規化法を提案する。 MNIST-USPSドメイン適応や言語間感情分析などのよく知られたタスクにおいて、ドメイン適応ベースラインよりもパフォーマンスが向上したことを報告した。
  論文  参考訳（メタデータ） (2022-11-27T22:54:48Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)
• Self-Guided Adaptation: Progressive Representation Alignment for Domain Adaptive Object Detection [86.69077525494106]
  非教師なしドメイン適応(UDA)は、オブジェクト検出モデルのドメイン間ロバスト性を改善するために前例のない成功を収めた。 既存のUDA手法は、モデル学習中の瞬間的なデータ分布を無視しており、大きなドメインシフトによって特徴表現が劣化する可能性がある。 本稿では、特徴表現の整合とドメイン間のオブジェクト検出モデルの転送を目標とする自己ガイド適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-03-19T13:30:45Z)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。