論文の概要: On the Transferability and Discriminability of Repersentation Learning in Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2505.22099v1
• Date: Wed, 28 May 2025 08:24:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.494742
• Title: On the Transferability and Discriminability of Repersentation Learning in Unsupervised Domain Adaptation
• Title（参考訳）: 教師なし領域適応における再帰学習の伝達性と識別性について
• Authors: Wenwen Qiang, Ziyin Gu, Lingyu Si, Jiangmeng Li, Changwen Zheng, Fuchun Sun, Hui Xiong,
• Abstract要約: 標準的な逆数ベースのフレームワークは、ターゲットドメイン機能の識別性を無視し、最適以下のパフォーマンスをもたらす。 本稿では、ドメインアライメントの目的と識別可能性向上の制約を明確に統合する新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 40.32838937328407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we addressed the limitation of relying solely on distribution alignment and source-domain empirical risk minimization in Unsupervised Domain Adaptation (UDA). Our information-theoretic analysis showed that this standard adversarial-based framework neglects the discriminability of target-domain features, leading to suboptimal performance. To bridge this theoretical-practical gap, we defined "good representation learning" as guaranteeing both transferability and discriminability, and proved that an additional loss term targeting target-domain discriminability is necessary. Building on these insights, we proposed a novel adversarial-based UDA framework that explicitly integrates a domain alignment objective with a discriminability-enhancing constraint. Instantiated as Domain-Invariant Representation Learning with Global and Local Consistency (RLGLC), our method leverages Asymmetrically-Relaxed Wasserstein of Wasserstein Distance (AR-WWD) to address class imbalance and semantic dimension weighting, and employs a local consistency mechanism to preserve fine-grained target-domain discriminative information. Extensive experiments across multiple benchmark datasets demonstrate that RLGLC consistently surpasses state-of-the-art methods, confirming the value of our theoretical perspective and underscoring the necessity of enforcing both transferability and discriminability in adversarial-based UDA.
• Abstract（参考訳）: 本稿では,Unsupervised Domain Adaptation (UDA)における分散アライメントとソース・ドメインの実証的リスク最小化のみに依存する制限について論じる。 情報理論解析により,本フレームワークは対象領域の特徴の識別性を無視し,準最適性能をもたらすことを示した。 この理論的・実践的なギャップを埋めるため、我々は「優れた表現学習」を伝達可能性と識別可能性の両方を保証するものとして定義し、標的領域の識別性をターゲットにした損失項の追加が必要であることを証明した。 これらの知見に基づいて,ドメインアライメントの目的と識別可能性向上の制約を明示的に統合する,新たな敵対型 UDA フレームワークを提案する。 RLGLC (Domain-Invariant Representation Learning with Global and Local Consistency) として確立された本手法では、ワッサーシュタイン距離の非対称緩和ワッサースタインを用いて、クラス不均衡と意味的次元重み付けに対処し、粒度の細かいターゲットドメイン識別情報を保存するための局所的一貫性機構を用いる。 複数のベンチマークデータセットにわたる広範囲な実験により、RCGLCは最先端の手法を一貫して超越し、我々の理論的な視点の価値を確認し、敵のUDAにおける伝達可能性と識別可能性の両方を強制する必要性を強調している。

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)
• CASUAL: Conditional Support Alignment for Domain Adaptation with Label Shift [9.2929174544214]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)とは、ソースドメインのラベル付きサンプルとターゲットドメインのラベルなしサンプルに基づいて学習モデルをトレーニングするドメイン適応フレームワークである。 そこで本稿では,条件付き適応型Support alignment (CASUAL) を提案する。
  論文  参考訳（メタデータ） (2023-05-29T05:20:18Z)
• Balancing Discriminability and Transferability for Source-Free Domain Adaptation [55.143687986324935]
  従来のドメイン適応(DA)技術は、ドメイン不変表現を学習することでドメイン転送性を改善することを目的としている。 ラベル付けされたソースとラベル付けされていないターゲットへの同時アクセス要件は、ソースフリーなDA設定に適さない。 そこで本研究では,原文と翻訳サンプルの混在が識別可能性と伝達可能性のトレードオフを促進することを示す新しい知見を導出する。
  論文  参考訳（メタデータ） (2022-06-16T09:06:22Z)
• Bi-Classifier Determinacy Maximization for Unsupervised Domain Adaptation [24.9073164947711]
  この問題に対処するために,Bi-Classifier Determinacy Maximization (BCDM) を提案する。 対象試料が常に決定境界によって明確に分離できないという観察に動機づけられ,新しい分類器決定性不一致指標を設計する。 BCDMは、ターゲット予測出力の一貫性と決定を促すことにより、識別表現を生成することができる。
  論文  参考訳（メタデータ） (2020-12-13T07:55:39Z)
• Towards Fair Knowledge Transfer for Imbalanced Domain Adaptation [61.317911756566126]
  本研究では,不均衡なドメイン間学習における公平性問題に対処するTowards Fair Knowledge Transferフレームワークを提案する。 具体的には、新規なクロスドメインミックスアップ生成を利用して、ターゲット情報でマイノリティソースセットを増強し、公正性を高める。 本モデルでは,2つのベンチマークで全体の精度を20%以上向上させる。
  論文  参考訳（メタデータ） (2020-10-23T06:29:09Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• Learning transferable and discriminative features for unsupervised domain adaptation [6.37626180021317]
  教師なしのドメイン適応は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を移すことで、この課題を克服することができる。 本稿では,これら2つの目的を同時に最適化するために,教師なしドメイン適応(Learning)のためのテキスト学習トランスフェラブルと識別機能と呼ばれる新しい手法を提案する。 5つの実世界のデータセットを用いて総合実験を行い,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-03-26T03:15:09Z)
• Unsupervised Domain Adaptation via Discriminative Manifold Embedding and Alignment [23.72562139715191]
  教師なしドメイン適応は、ソースドメインから教師なしターゲットドメインへの豊富な情報を活用するのに効果的である。 対象領域のハードアサインされた擬似ラベルは、本質的なデータ構造に危険である。 一貫した多様体学習フレームワークは、一貫した伝達可能性と識別可能性を達成するために提案される。
  論文  参考訳（メタデータ） (2020-02-20T11:06:41Z)

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。