論文の概要: Bi-level Unbalanced Optimal Transport for Partial Domain Adaptation

• arxiv url: http://arxiv.org/abs/2506.08020v1
• Date: Mon, 19 May 2025 13:40:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 03:13:19.074082
• Title: Bi-level Unbalanced Optimal Transport for Partial Domain Adaptation
• Title（参考訳）: 部分領域適応のための二値不均衡最適輸送
• Authors: Zi-Ying Chen, Chuan-Xian Ren, Hong Yan,
• Abstract要約: 部分的なドメイン適応問題は、正確な知識伝達のための外れ値クラスを区別しながら、クロスドメインサンプルの整列を必要とする。 サンプル・ワイド・クラス・ワイド関係を同時に特徴付けるために,バイレベル・アンバランス・最適輸送モデルを提案する。
• 参考スコア（独自算出の注目度）: 15.32873543470471
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Partial domain adaptation (PDA) problem requires aligning cross-domain samples while distinguishing the outlier classes for accurate knowledge transfer. The widely used weighting framework tries to address the outlier classes by introducing the reweighed source domain with a similar label distribution to the target domain. However, the empirical modeling of weights can only characterize the sample-wise relations, which leads to insufficient exploration of cluster structures, and the weights could be sensitive to the inaccurate prediction and cause confusion on the outlier classes. To tackle these issues, we propose a Bi-level Unbalanced Optimal Transport (BUOT) model to simultaneously characterize the sample-wise and class-wise relations in a unified transport framework. Specifically, a cooperation mechanism between sample-level and class-level transport is introduced, where the sample-level transport provides essential structure information for the class-level knowledge transfer, while the class-level transport supplies discriminative information for the outlier identification. The bi-level transport plan provides guidance for the alignment process. By incorporating the label-aware transport cost, the local transport structure is ensured and a fast computation formulation is derived to improve the efficiency. Extensive experiments on benchmark datasets validate the competitiveness of BUOT.
• Abstract（参考訳）: 部分的ドメイン適応(PDA)問題は、正確な知識伝達のための外れ値クラスを区別しながら、クロスドメインサンプルの整列を必要とする。 広く使われている重み付けフレームワークは、ターゲットドメインに類似したラベルの分布を持つリウィードソースドメインを導入して、オフラヤクラスに対処しようとする。 しかし、重みの実証的なモデリングは、サンプル-ワイド関係を特徴づけることしかできず、クラスター構造の探索が不十分になり、重みは不正確な予測に敏感になり、外れ値のクラスに混乱を引き起こす可能性がある。 これらの課題に対処するため,両レベル不均衡最適輸送(BUOT)モデルを提案する。 具体的には、サンプルレベルとクラスレベルのトランスポート間の協調機構を導入し、サンプルレベルトランスポートはクラスレベルのナレッジトランスファーに不可欠な構造情報を提供する一方、クラスレベルのトランスポートは、外れ値識別のために識別情報を提供する。 双方向輸送計画は、アライメントプロセスのガイダンスを提供する。 ラベル対応輸送コストを組み込むことで、局所輸送構造が確保され、高速な計算式が導出され、効率が向上する。 ベンチマークデータセットの大規模な実験は、BUOTの競合性を検証する。

関連論文リスト

• A Class-aware Optimal Transport Approach with Higher-Order Moment Matching for Unsupervised Domain Adaptation [33.712557972990034]
  Unsupervised domain adapt (UDA) 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転送することを目的としている。 本稿では,クラス対応最適輸送(OT)と呼ばれる新しい手法を導入し,ソースのクラス条件分布上の分布間のOT距離を計測する。
  論文  参考訳（メタデータ） (2024-01-29T08:27:31Z)
• Chaos to Order: A Label Propagation Perspective on Source-Free Domain Adaptation [8.27771856472078]
  我々は、ソースフリードメイン適応(SFDA)のための新しいアプローチであるChaos to Order(CtO)を提示する。 CtOは、セマンティックな信頼性を制約し、ターゲットのサブポピュレーション間でラベル情報を伝達する。 実証的な証拠は、CtOが3つの公開ベンチマークで芸術の状態を上回っていることを示している。
  論文  参考訳（メタデータ） (2023-01-20T03:39:35Z)
• Adaptive Distribution Calibration for Few-Shot Learning with Hierarchical Optimal Transport [78.9167477093745]
  本稿では,新しいサンプルとベースクラス間の適応重み行列を学習し,新しい分布校正法を提案する。 標準ベンチマーク実験の結果,提案したプラグ・アンド・プレイモデルの方が競合する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） (2022-10-09T02:32:57Z)
• InfoOT: Information Maximizing Optimal Transport [58.72713603244467]
  InfoOTは最適な輸送の情報理論の拡張である。 幾何学的距離を最小化しながら、ドメイン間の相互情報を最大化する。 この定式化は、外れ値に対して堅牢な新しい射影法をもたらし、目に見えないサンプルに一般化する。
  論文  参考訳（メタデータ） (2022-10-06T18:55:41Z)
• MemSAC: Memory Augmented Sample Consistency for Large Scale Unsupervised Domain Adaptation [71.4942277262067]
  本稿では,ソースドメインとターゲットドメイン間のサンプルレベルの類似性を利用して識別的転送を実現するMemSACを提案する。 我々は,MemSACの有効性に関する詳細な分析と知見を提供する。
  論文  参考訳（メタデータ） (2022-07-25T17:55:28Z)
• Coupling Adversarial Learning with Selective Voting Strategy for Distribution Alignment in Partial Domain Adaptation [6.5991141403378215]
  部分的なドメイン適応設定は、同一のラベルセットの仮定を緩和することで現実的なシナリオに適合する。 そこで我々は,クラスネイティブの重み推定に不可欠な高信頼度ターゲット標本の戦略的選択機構を考案した。
  論文  参考訳（メタデータ） (2022-07-17T11:34:56Z)
• 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)
• Hierarchical Optimal Transport for Unsupervised Domain Adaptation [0.0]
  本稿では,最適輸送,学習確率測定,教師なし学習の概念を関連づけた,教師なし領域適応のための新しいアプローチを提案する。 提案手法であるHOT-DAは最適輸送の階層的な定式化に基づいている。 制御可能な複雑さを持つ玩具データセットと、2つの挑戦的な視覚適応データセットの実験は、最先端技術よりも提案されたアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2021-12-03T18:37:23Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)

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。