論文の概要: MUDAS: Mote-scale Unsupervised Domain Adaptation in Multi-label Sound Classification

• arxiv url: http://arxiv.org/abs/2506.11331v1
• Date: Thu, 12 Jun 2025 22:02:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.593826
• Title: MUDAS: Mote-scale Unsupervised Domain Adaptation in Multi-label Sound Classification
• Title（参考訳）: MUDAS:マルチラベル音声分類における大規模非教師なし領域適応
• Authors: Jihoon Yun, Chengzhang Li, Dhrubojyoti Roy, Anish Arora,
• Abstract要約: 教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、新しいラベルのない環境に機械学習モデルを適用するために不可欠である。 Mote-scale Unsupervised Domain Adaptation for Sounds (MUDAS)は、リソース制約されたIoT設定において、マルチラベル音声分類のために開発されたフレームワークである。
• 参考スコア（独自算出の注目度）: 4.60781637717838
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Unsupervised Domain Adaptation (UDA) is essential for adapting machine learning models to new, unlabeled environments where data distribution shifts can degrade performance. Existing UDA algorithms are designed for single-label tasks and rely on significant computational resources, limiting their use in multi-label scenarios and in resource-constrained IoT devices. Overcoming these limitations is particularly challenging in contexts such as urban sound classification, where overlapping sounds and varying acoustics require robust, adaptive multi-label capabilities on low-power, on-device systems. To address these limitations, we introduce Mote-scale Unsupervised Domain Adaptation for Sounds (MUDAS), a UDA framework developed for multi-label sound classification in resource-constrained IoT settings. MUDAS efficiently adapts models by selectively retraining the classifier in situ using high-confidence data, minimizing computational and memory requirements to suit on-device deployment. Additionally, MUDAS incorporates class-specific adaptive thresholds to generate reliable pseudo-labels and applies diversity regularization to improve multi-label classification accuracy. In evaluations on the SONYC Urban Sound Tagging (SONYC-UST) dataset recorded at various New York City locations, MUDAS demonstrates notable improvements in classification accuracy over existing UDA algorithms, achieving good performance in a resource-constrained IoT setting.
• Abstract（参考訳）: 教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、データ分散シフトがパフォーマンスを低下させる可能性のある、新しいラベルのない環境に機械学習モデルを適用するために不可欠である。 既存のUDAアルゴリズムはシングルラベルタスク用に設計されており、重要な計算リソースに依存しており、マルチラベルシナリオやリソースに制約のあるIoTデバイスでの使用を制限する。 これらの制限を克服することは、低消費電力のオンデバイスシステムにおいて、重なり合う音と様々な音響が堅牢で適応的なマルチラベル機能を必要とする都市音の分類のような文脈において特に困難である。 これらの制約に対処するために,資源制約のIoT設定においてマルチラベル音声分類用に開発されたUDAフレームワークであるMUDAS(Mote-scale Unsupervised Domain Adaptation for Sounds)を導入する。 MUDASは、高信頼データを用いてクラス化器を選択的にリトレーニングし、デバイス上でのデプロイメントに適した計算およびメモリ要求を最小限にすることで、モデルを効率的に適応する。 さらに、MUDASはクラス固有の適応しきい値を導入し、信頼性の高い擬似ラベルを生成し、多様性の正規化を適用して複数ラベルの分類精度を向上させる。 ニューヨーク市の様々な場所で記録されたSONYC Urban Sound Tagging(SONYC-UST)データセットの評価において、MUDASは既存のUDAアルゴリズムよりも分類精度が顕著に向上し、リソースに制約のあるIoT環境での優れたパフォーマンスを実現している。

関連論文リスト

• An Embedding is Worth a Thousand Noisy Labels [0.11999555634662634]
  本稿では,重み付けされたアダプティブNearest Neighborアプローチを用いてラベルノイズに対処するWANNを提案する。 WANNの参照手法は、様々な大きさの多様なデータセットや、様々なノイズタイプや重大さで優れていることを示す。 私たちのアプローチは、効率性と説明可能性を強調し、ディープニューラルネットワークトレーニングの固有の制限を克服するための、シンプルで堅牢なソリューションとして現れます。
  論文  参考訳（メタデータ） (2024-08-26T15:32:31Z)
• Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
  Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる 本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-31T03:14:44Z)
• AdaStereo: An Efficient Domain-Adaptive Stereo Matching Approach [50.855679274530615]
  本稿では,AdaStereoというドメイン適応型アプローチを提案する。 我々のモデルは、KITTI、Middlebury、ETH3D、DrivingStereoなど、複数のベンチマークで最先端のクロスドメイン性能を実現している。 提案手法は,様々なドメイン適応設定に対して堅牢であり,迅速な適応アプリケーションシナリオや実環境展開に容易に組み込むことができる。
  論文  参考訳（メタデータ） (2021-12-09T15:10:47Z)
• 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)
• Adaptive Pseudo-Label Refinement by Negative Ensemble Learning for Source-Free Unsupervised Domain Adaptation [35.728603077621564]
  既存のUnsupervised Domain Adaptation (UDA)メソッドは、トレーニング中にソースとターゲットのドメインデータを同時に利用できると仮定する。 訓練済みのソースモデルは、よく知られたドメインシフトの問題により、ターゲットに対して性能が悪くても、常に利用可能であると考えられている。 適応型ノイズフィルタリングと擬似ラベル改良に取り組むための統一手法を提案する。
  論文  参考訳（メタデータ） (2021-03-29T22:18:34Z)
• MetaCorrection: Domain-aware Meta Loss Correction for Unsupervised Domain Adaptation in Semantic Segmentation [14.8840510432657]
  unsupervised domain adaptation (uda) はラベル付きソースドメインからラベルなし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。 既存の自己学習に基づくUDAアプローチでは、ターゲットデータに擬似ラベルを割り当て、それらを基底真理ラベルとして扱う。 ソースドメインに最適化されたモデルから生成された擬似ラベルは、必然的にドメインギャップによるノイズを含む。
  論文  参考訳（メタデータ） (2021-03-09T06:57:03Z)
• Selective Pseudo-Labeling with Reinforcement Learning for Semi-Supervised Domain Adaptation [116.48885692054724]
  半教師付きドメイン適応のための強化学習に基づく選択擬似ラベル法を提案する。 高精度かつ代表的な擬似ラベルインスタンスを選択するための深層Q-ラーニングモデルを開発する。 提案手法は, SSDAのベンチマークデータセットを用いて評価し, 全ての比較手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-12-07T03:37:38Z)

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。