論文の概要: ODD: Overlap-aware Estimation of Model Performance under Distribution Shift

• arxiv url: http://arxiv.org/abs/2506.14978v1
• Date: Tue, 17 Jun 2025 21:05:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.483579
• Title: ODD: Overlap-aware Estimation of Model Performance under Distribution Shift
• Title（参考訳）: ODD:分散シフト下におけるモデル性能のオーバーラップ認識推定
• Authors: Aayush Mishra, Anqi Liu,
• Abstract要約: 以前の作業では、分散シフトの下で実際のエラー境界を導出するために、不一致不一致(DIS2)を使用していた。 オーバーラップ・アウェア・ディスレパンシー(ODD)を考案する ODDベースのバウンダリはドメインオーバラップを推定するためにドメイン分類器を使用し、DIS2よりもターゲット性能を予測します。
• 参考スコア（独自算出の注目度）: 8.569585481097839
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable and accurate estimation of the error of an ML model in unseen test domains is an important problem for safe intelligent systems. Prior work uses disagreement discrepancy (DIS^2) to derive practical error bounds under distribution shifts. It optimizes for a maximally disagreeing classifier on the target domain to bound the error of a given source classifier. Although this approach offers a reliable and competitively accurate estimate of the target error, we identify a problem in this approach which causes the disagreement discrepancy objective to compete in the overlapping region between source and target domains. With an intuitive assumption that the target disagreement should be no more than the source disagreement in the overlapping region due to high enough support, we devise Overlap-aware Disagreement Discrepancy (ODD). Maximizing ODD only requires disagreement in the non-overlapping target domain, removing the competition. Our ODD-based bound uses domain-classifiers to estimate domain-overlap and better predicts target performance than DIS^2. We conduct experiments on a wide array of benchmarks to show that our method improves the overall performance-estimation error while remaining valid and reliable. Our code and results are available on GitHub.
• Abstract（参考訳）: 未知のテスト領域におけるMLモデルのエラーの信頼性と正確な推定は、安全なインテリジェントシステムにとって重要な問題である。 以前の研究では、分散シフトの下で実際の誤差境界を導出するために不一致差(DIS^2)を用いていた。 ターゲットドメイン上の最大不一致の分類器に対して、与えられたソース分類器のエラーをバインドするように最適化する。 このアプローチは、ターゲットエラーの信頼性と競合的に正確な推定を提供するが、ソースドメインとターゲットドメインの重なり合う領域において、不一致の不一致の目的が競合する原因となる問題を特定する。 目的の相違は, 十分な支持が得られているため, 重なり合う領域における情報源の相違に留まらないという直感的な仮定により, オーバーラップ対応の相違(Overlap-aware Disagreement Discrepancy, ODD)を考案した。 ODDの最大化は、重複しないターゲットドメインでのみ不一致を必要とし、競合を取り除きます。 ODDをベースとしたバウンダリでは、ドメインオーバラップを推定するためにドメイン分類器を使用し、dis^2よりもターゲット性能をよりよく予測します。 提案手法は,信頼性と有効性を保ちながら,全体的な性能推定誤差を改善することを示すため,幅広いベンチマーク実験を行う。 コードと結果はGitHubで公開されている。

関連論文リスト

• Make the U in UDA Matter: Invariant Consistency Learning for Unsupervised Domain Adaptation [86.61336696914447]
  ICON (Invariant Consistency Learning) の略。 我々は2つの領域に等しくの地位を与えることで、教師なしDAのUを作成することを提案する。 ICON は古典的な UDA ベンチマークである Office-Home と VisDA-2017 で最先端のパフォーマンスを実現し、挑戦的な WILDS 2.0 ベンチマークでは従来の方法よりも優れています。
  論文  参考訳（メタデータ） (2023-09-22T09:43:32Z)
• Distributionally Robust Domain Adaptation [12.02023514105999]
  ドメイン適応(DA: Domain Adaptation)は、ソースドメインとターゲットドメインをまたいだ学習モデルに適合する可能性から、最近大きな注目を集めている。 本稿では,分散ロバストな領域適応手法DRDAを提案する。
  論文  参考訳（メタデータ） (2022-10-30T17:29:22Z)
• Domain-Specific Risk Minimization for Out-of-Distribution Generalization [104.17683265084757]
  まず、適応性ギャップを明示的に考慮した一般化境界を確立する。 本稿では,目標に対するより良い仮説の選択を導くための効果的なギャップ推定法を提案する。 もう1つの方法は、オンラインターゲットサンプルを用いてモデルパラメータを適応させることにより、ギャップを最小化することである。
  論文  参考訳（メタデータ） (2022-08-18T06:42:49Z)
• Learning Unbiased Transferability for Domain Adaptation by Uncertainty Modeling [107.24387363079629]
  ドメイン適応は、ラベル付けされたソースドメインからラベル付けされていない、あるいはラベル付けされていないが関連する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ます。 ソース内のアノテートされたデータの量とターゲットドメインとの間の不均衡のため、ターゲットの分布のみがソースドメインにアライメントされる。 本稿では,非暴力的非暴力的移動可能性推定プラグイン(UTEP)を提案し,非暴力的移動を最適化するDA法において,識別器の不確実性をモデル化する。
  論文  参考訳（メタデータ） (2022-06-02T21:58:54Z)
• 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)
• Boosting Unsupervised Domain Adaptation with Soft Pseudo-label and Curriculum Learning [19.903568227077763]
  教師なしドメイン適応(UDA)は、完全にラベル付けされたソースドメインからのデータを活用することにより、ラベル付けされていないターゲットドメインの分類性能を向上させる。 ソフトな擬似ラベル戦略を用いてモデル予測の欠陥を大幅に低減するモデルに依存しない2段階学習フレームワークを提案する。 第2段階では,2つのドメインの損失間の重み付けを適応的に制御するカリキュラム学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-03T14:47:32Z)
• Unsupervised domain adaptation with non-stochastic missing data [0.6608945629704323]
  対象領域に欠落するデータが存在する場合の分類問題に対する教師なし領域適応(UDA)について検討する。 命令はドメイン不変の潜在空間で実行され、完全なソースドメインからの間接的な監視を利用する。 データセットの適応、分類、計算を共同で行う利点を示す。
  論文  参考訳（メタデータ） (2021-09-16T06:37:07Z)
• 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)
• Robustified Domain Adaptation [13.14535125302501]
  非教師付きドメイン適応(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への知識伝達に広く使用される。 UDAにおける避けられないドメイン分布の偏りは、ターゲットドメインの堅牢性をモデル化するための重要な障壁である。 頑健な UDA モデルをトレーニングするための新しいクラス一貫性のないunsupervised Domain Adaptation (CURDA) フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T22:21:54Z)

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。