論文の概要: Theoretical Performance Guarantees for Partial Domain Adaptation via Partial Optimal Transport

• arxiv url: http://arxiv.org/abs/2506.02712v1
• Date: Tue, 03 Jun 2025 10:09:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:35.587859
• Title: Theoretical Performance Guarantees for Partial Domain Adaptation via Partial Optimal Transport
• Title（参考訳）: 部分最適輸送による部分領域適応のための理論的性能保証
• Authors: Jayadev Naram, Fredrik Hellström, Ziming Wang, Rebecka Jörnsten, Giuseppe Durisi,
• Abstract要約: 部分的ドメイン適応(PDA)は、ソースデータに対するドメインアライメント項と重み付き経験損失を最小化する。 本研究では, 部分最適輸送に基づくPDA問題に対するバウンダリを導出する。 これらの制約にインスパイアされた我々は、WARMPOTと呼ばれるPDAのための実用的なアルゴリズムを考案した。
• 参考スコア（独自算出の注目度）: 19.364331731054385
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In many scenarios of practical interest, labeled data from a target distribution are scarce while labeled data from a related source distribution are abundant. One particular setting of interest arises when the target label space is a subset of the source label space, leading to the framework of partial domain adaptation (PDA). Typical approaches to PDA involve minimizing a domain alignment term and a weighted empirical loss on the source data, with the aim of transferring knowledge between domains. However, a theoretical basis for this procedure is lacking, and in particular, most existing weighting schemes are heuristic. In this work, we derive generalization bounds for the PDA problem based on partial optimal transport. These bounds corroborate the use of the partial Wasserstein distance as a domain alignment term, and lead to theoretically motivated explicit expressions for the empirical source loss weights. Inspired by these bounds, we devise a practical algorithm for PDA, termed WARMPOT. Through extensive numerical experiments, we show that WARMPOT is competitive with recent approaches, and that our proposed weights improve on existing schemes.
• Abstract（参考訳）: 実用的関心の多くのシナリオでは、対象分布からのラベル付きデータが不足し、関連するソース分布からのラベル付きデータが豊富である。 特定の関心の設定は、ターゲットラベル空間がソースラベル空間のサブセットであるときに生じ、部分的ドメイン適応(PDA)の枠組みにつながる。 PDAの典型的なアプローチは、ドメイン間の知識の伝達を目的とした、ドメインアライメントの項と、ソースデータに対する重み付けされた経験的損失の最小化である。 しかし、この手順の理論的基礎は欠如しており、特に既存の重み付けスキームはヒューリスティックである。 本研究では、部分最適輸送に基づくPDA問題に対する一般化境界を導出する。 これらの境界は、部分的なワッサーシュタイン距離をドメインアライメントの項として使用し、経験的ソース損失重みに対する理論的動機付けされた明示的な表現を導く。 これらの制約にインスパイアされた我々は、WARMPOTと呼ばれるPDAのための実用的なアルゴリズムを考案した。 大規模な数値実験を通じて、WARMPOTは近年のアプローチと競合し、提案した重み付けが既存のスキームよりも優れていることを示す。

関連論文リスト

• Soft-Masked Semi-Dual Optimal Transport for Partial Domain Adaptation [16.213569477689916]
  部分的ドメイン適応 (partial domain adapt, PDA) は、ターゲットラベル空間がソースのサブセットである一般的で実用的なシナリオである。 PDA の課題は、ドメインシフトだけでなく、ドメインの非IDラベル空間にも起因している。 本稿では,PDA問題に対処するために,ソフトマスク型半二重最適輸送法(SSOT)を提案する。
  論文  参考訳（メタデータ） (2025-05-03T03:20:17Z)
• Domain Adaptation and Entanglement: an Optimal Transport Perspective [86.24617989187988]
  現在の機械学習システムは分散シフト(DS)に直面して脆弱であり、そこでは、システムがテストされる対象の分布は、システムのトレーニングに使用されるソースの分布とは異なる。 ディープニューラルネットワークでは、教師なしドメイン適応(UDA)のための一般的なフレームワークがドメインマッチングである。 本稿では,UDA問題を解析する最適な輸送量に基づく新しい境界を導出する。
  論文  参考訳（メタデータ） (2025-03-11T08:10:03Z)
• Optimal Aggregation of Prediction Intervals under Unsupervised Domain Shift [9.387706860375461]
  分散シフトは、基礎となるデータ生成プロセスが変化したときに発生し、モデルの性能のずれにつながる。 予測間隔は、その基礎となる分布によって引き起こされる不確実性を特徴づける重要なツールとして機能する。 予測区間を集約し,最小の幅と対象領域を適切にカバーする手法を提案する。
  論文  参考訳（メタデータ） (2024-05-16T17:55:42Z)
• 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)
• Theoretical Guarantees for Domain Adaptation with Hierarchical Optimal Transport [0.0]
  ドメイン適応は統計学習理論において重要な問題として生じる。 近年の進歩は、領域適応アルゴリズムの成功は、ソースとターゲット領域の確率分布のばらつきを最小限に抑える能力に大きく依存していることを示している。 階層的最適輸送によるドメイン適応のための新しい理論的枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-24T15:34:09Z)
• Constrained Maximum Cross-Domain Likelihood for Domain Generalization [14.91361835243516]
  ドメインの一般化は、複数のソースドメイン上で一般化可能なモデルを学ぶことを目的としている。 本稿では,異なる領域の後方分布間のKL偏差を最小限に抑える新しい領域一般化法を提案する。 Digits-DG、PACS、Office-Home、MiniDomainNetの4つの標準ベンチマークデータセットの実験は、我々のメソッドの優れたパフォーマンスを強調している。
  論文  参考訳（メタデータ） (2022-10-09T03:41:02Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Partial Domain Adaptation without Domain Alignment [25.917657531750976]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、よくラベル付けされたソースドメインから、同一のラベル空間を持つ関連するラベル付けされていないターゲットドメインに知識を伝達することを目的としている。 現在、UDAを解決するための主要な作業はドメインアライメントであり、成功している。 より実践的なシナリオは、ソースラベルセットまたは空間が対象のドメインを仮定する部分的ドメイン適応(PDA)である。
  論文  参考訳（メタデータ） (2021-08-29T15:57:20Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)

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。