論文の概要: Pseudo Multi-Source Domain Generalization: Bridging the Gap Between Single and Multi-Source Domain Generalization

• arxiv url: http://arxiv.org/abs/2505.23173v1
• Date: Thu, 29 May 2025 07:11:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.726416
• Title: Pseudo Multi-Source Domain Generalization: Bridging the Gap Between Single and Multi-Source Domain Generalization
• Title（参考訳）: Pseudo Multi-Source Domain Generalization: Single-Source Domain Generalization と Multi-Source Domain Generalization のギャップを埋める
• Authors: Shohei Enomoto,
• Abstract要約: マルチソースドメイン一般化(MDG)は、トレーニング中に複数のソースドメインを活用することで、この問題に対処することを約束している。 Pseudo Multi-source Domain Generalization (PMDG) は、MDGアルゴリズムをより実用的な単一ソースドメイン一般化設定に適用できる新しいフレームワークである。
• 参考スコア（独自算出の注目度）: 1.9580473532948401
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models often struggle to maintain performance when deployed on data distributions different from their training data, particularly in real-world applications where environmental conditions frequently change. While Multi-source Domain Generalization (MDG) has shown promise in addressing this challenge by leveraging multiple source domains during training, its practical application is limited by the significant costs and difficulties associated with creating multi-domain datasets. To address this limitation, we propose Pseudo Multi-source Domain Generalization (PMDG), a novel framework that enables the application of sophisticated MDG algorithms in more practical Single-source Domain Generalization (SDG) settings. PMDG generates multiple pseudo-domains from a single source domain through style transfer and data augmentation techniques, creating a synthetic multi-domain dataset that can be used with existing MDG algorithms. Through extensive experiments with PseudoDomainBed, our modified version of the DomainBed benchmark, we analyze the effectiveness of PMDG across multiple datasets and architectures. Our analysis reveals several key findings, including a positive correlation between MDG and PMDG performance and the potential of pseudo-domains to match or exceed actual multi-domain performance with sufficient data. These comprehensive empirical results provide valuable insights for future research in domain generalization. Our code is available at https://github.com/s-enmt/PseudoDomainBed.
• Abstract（参考訳）: ディープラーニングモデルは、特に環境条件が頻繁に変化する現実世界のアプリケーションにおいて、トレーニングデータとは異なるデータ分散にデプロイされた場合、パフォーマンスを維持するのに苦労することが多い。 マルチソースドメイン一般化(MDG)は、トレーニング中に複数のソースドメインを活用することで、この問題に対処する上で有望であることを示しているが、その実践的応用は、マルチドメインデータセットの作成に関連する大きなコストと困難によって制限されている。 この制限に対処するため,より実用的な単一ソース領域一般化(SDG)設定で高度なMDGアルゴリズムを適用可能な新しいフレームワークであるPseudo Multi-source Domain Generalization (PMDG)を提案する。 PMDGは、スタイル転送とデータ拡張技術を通じて、単一のソースドメインから複数の擬似ドメインを生成し、既存のMDGアルゴリズムで使用できる合成マルチドメインデータセットを作成する。 DomainBedベンチマークの修正版であるPseudoDomainBedによる広範な実験を通じて、複数のデータセットやアーキテクチャにわたるPMDGの有効性を分析します。 本分析では,MDGとPMDGの正の相関や,実際のマルチドメイン性能と十分なデータとの整合性,あるいは超越性を示す疑似ドメインの可能性など,いくつかの重要な知見が得られた。 これらの包括的実証結果は、領域一般化における将来の研究に貴重な洞察を与える。 私たちのコードはhttps://github.com/s-enmt/PseudoDomainBed.comで利用可能です。

関連論文リスト

• Multisource Collaborative Domain Generalization for Cross-Scene Remote Sensing Image Classification [57.945437355714155]
  クロスシーン画像分類は, 異なる分布領域のアノテート領域に, 地中物質の事前の知識を伝達することを目的としている。 既存のアプローチでは、未確認のターゲットドメインへの単一ソースドメインの一般化に重点を置いている。 マルチソースリモートセンシングデータの均一性と不均一性特性に基づく,新しいマルチソース協調型ドメイン一般化フレームワーク(MS-CDG)を提案する。
  論文  参考訳（メタデータ） (2024-12-05T06:15:08Z)
• DIGIC: Domain Generalizable Imitation Learning by Causal Discovery [69.13526582209165]
  因果性は機械学習と組み合わせて、ドメインの一般化のための堅牢な表現を生成する。 我々は、実証データ分布を活用して、ドメインの一般化可能なポリシーの因果的特徴を発見するために、異なる試みを行っている。 DIGICと呼ばれる新しいフレームワークを設計し、実演データ分布から専門家行動の直接的な原因を見出すことにより因果的特徴を識別する。
  論文  参考訳（メタデータ） (2024-02-29T07:09:01Z)
• Domain-Unified Prompt Representations for Source-Free Domain Generalization [6.614361539661422]
  ドメインの一般化は、汎用人工知能に対する確実な方法だ。 既存の手法では、オープンワールドシナリオにおいて多様なドメインにスケールすることは困難である。 本稿では,大規模視覚言語事前学習モデルに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-09-29T16:44:09Z)
• Adaptive Domain Generalization via Online Disagreement Minimization [17.215683606365445]
  ドメインの一般化は、モデルを目に見えないターゲットのドメインに安全に転送することを目的としています。 AdaODMは、異なるターゲットドメインに対するテスト時にソースモデルを適応的に修正する。 その結果,AdaODMは未確認領域の一般化能力を安定的に向上することがわかった。
  論文  参考訳（メタデータ） (2022-08-03T11:51:11Z)
• Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
  マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。 組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。 4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
  論文  参考訳（メタデータ） (2022-03-24T11:54:59Z)
• Improving Multi-Domain Generalization through Domain Re-labeling [31.636953426159224]
  本稿では,事前特定ドメインラベルと一般化性能の関連性について検討する。 マルチドメイン一般化のための一般的なアプローチであるMulDEnsを導入し,ERMをベースとした深層アンサンブルバックボーンを用いた。 我々は、MulDEnsがデータセット固有の拡張戦略やトレーニングプロセスの調整を必要としないことを示す。
  論文  参考訳（メタデータ） (2021-12-17T23:21:50Z)
• META: Mimicking Embedding via oThers' Aggregation for Generalizable Person Re-identification [68.39849081353704]
  Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。 本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T08:06:50Z)
• Open Domain Generalization with Domain-Augmented Meta-Learning [83.59952915761141]
  オープンドメイン一般化(OpenDG)の新しい実践的問題について研究する。 本稿では,オープンドメイン一般化表現を学ぶためのメタ学習フレームワークを提案する。 種々のマルチドメインデータセットの実験結果から、提案したドメイン拡張メタラーニング(DAML)が、未確認ドメイン認識の先行手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-04-08T09:12:24Z)
• Dual Distribution Alignment Network for Generalizable Person Re-Identification [174.36157174951603]
  ドメイン一般化(DG)は、人物再識別(Re-ID)を扱うための有望なソリューションとして機能する 本稿では、複数のソースドメインの分布を選択的に整列させることにより、この問題に対処するDual Distribution Alignment Network(DDAN)を提案する。 大規模なDomain Generalization Re-ID(DG Re-ID)ベンチマークでDDANを評価した。
  論文  参考訳（メタデータ） (2020-07-27T00:08:07Z)

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。