論文の概要: GAMA++: Disentangled Geometric Alignment with Adaptive Contrastive Perturbation for Reliable Domain Transfer

• arxiv url: http://arxiv.org/abs/2505.15241v1
• Date: Wed, 21 May 2025 08:16:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.221173
• Title: GAMA++: Disentangled Geometric Alignment with Adaptive Contrastive Perturbation for Reliable Domain Transfer
• Title（参考訳）: GAMA++: 整合性ドメイン転送のための適応的コントラスト摂動を用いた幾何学的アライメント
• Authors: Kim Yun, Hana Satou, F Monkey,
• Abstract要約: 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。
• 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: Despite progress in geometry-aware domain adaptation, current methods such as GAMA still suffer from two unresolved issues: (1) insufficient disentanglement of task-relevant and task-irrelevant manifold dimensions, and (2) rigid perturbation schemes that ignore per-class alignment asymmetries. To address this, we propose GAMA++, a novel framework that introduces (i) latent space disentanglement to isolate label-consistent manifold directions from nuisance factors, and (ii) an adaptive contrastive perturbation strategy that tailors both on- and off-manifold exploration to class-specific manifold curvature and alignment discrepancy. We further propose a cross-domain contrastive consistency loss that encourages local semantic clusters to align while preserving intra-domain diversity. Our method achieves state-of-the-art results on DomainNet, Office-Home, and VisDA benchmarks under both standard and few-shot settings, with notable improvements in class-level alignment fidelity and boundary robustness. GAMA++ sets a new standard for semantic geometry alignment in transfer learning.
• Abstract（参考訳）: 幾何学的領域適応の進展にもかかわらず、GAMAのような現在の手法は、(1)タスク関連次元とタスク非関連多様体次元の不整合、(2)クラスごとのアラインメントを無視する厳密な摂動スキームの2つの未解決問題に悩まされている。 これを解決するために,新しいフレームワークであるGAMA++を提案する。 一 ラベル整合多様体方向をニュアンス因子から分離するための潜時空間のゆがみ (II) オン・アンド・オフ・マニフォールド探索をクラス固有の多様体曲率とアライメントの相違に合わせる適応的コントラスト摂動戦略。 さらに、ドメイン内の多様性を保ちながら、局所的なセマンティッククラスタの整合を促進するクロスドメインコントラスト整合損失を提案する。 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。 GAMA++は、トランスファーラーニングにおける意味的幾何学的アライメントの新しい標準を設定する。

関連論文リスト

• GAMA: Geometry-Aware Manifold Alignment via Structured Adversarial Perturbations for Robust Domain Adaptation [0.0]
  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。
  論文  参考訳（メタデータ） (2025-05-21T07:16:42Z)
• 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)
• Open Set Domain Adaptation with Vision-language models via Gradient-aware Separation [0.6118897979046375]
  Open-Set Domain Adaptation (OSDA)は、既知のクラス分布をドメイン間で整合させるという2つの課題に直面している。 本稿では,これらの制約に対処するために,コントラスト言語-画像事前学習(CLIP)を活用することを提案する。
  論文  参考訳（メタデータ） (2025-05-16T12:31:17Z)
• 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)
• 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)
• HSVA: Hierarchical Semantic-Visual Adaptation for Zero-Shot Learning [74.76431541169342]
  ゼロショット学習(ZSL)は、目に見えないクラス認識の問題に取り組み、目に見えないクラスから目に見えないクラスに意味的な知識を移す。 本稿では,意味領域と視覚領域を協調させる新しい階層型意味視覚適応(HSVA)フレームワークを提案する。 4つのベンチマークデータセットの実験では、HSVAは従来のZSLと一般的なZSLの両方で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-30T14:27:50Z)
• More Separable and Easier to Segment: A Cluster Alignment Method for Cross-Domain Semantic Segmentation [41.81843755299211]
  上記の問題を緩和するために,ドメイン仮定の近接性に基づく新しいUDAセマンティックセマンティックセマンティクス手法を提案する。 具体的には、同じ意味を持つクラスタピクセルにプロトタイプクラスタリング戦略を適用し、ターゲットドメインピクセル間の関連付けをより良く維持します。 GTA5とSynthiaで行った実験は,本法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-05-07T10:24:18Z)
• Cross-Domain Grouping and Alignment for Domain Adaptive Semantic Segmentation [74.3349233035632]
  深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。 学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。 本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
  論文  参考訳（メタデータ） (2020-12-15T11:36:21Z)
• 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)
• Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
  現在の逆順応法は、クロスドメインの特徴を整列させようとする。 1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。 本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-06T22:58:20Z)

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。