論文の概要: How Many Domains Suffice for Domain Generalization? A Tight Characterization via the Domain Shattering Dimension

• arxiv url: http://arxiv.org/abs/2506.16704v1
• Date: Fri, 20 Jun 2025 02:50:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.319381
• Title: How Many Domains Suffice for Domain Generalization? A Tight Characterization via the Domain Shattering Dimension
• Title（参考訳）: ドメイン一般化にふさわしいドメインはいくつあるか? : ドメインシェータリング次元による微妙な特徴
• Authors: Cynthia Dwork, Lunjia Hu, Han Shao,
• Abstract要約: ドメインの集合が与えられた場合、家族内の見知らぬすべてのドメインに対して合理的に機能するモデルを学ぶために、ランダムにサンプリングされたドメインを何個集める必要があるか? ドメインの破砕次元(ドメインの破砕次元)と呼ばれる新しい尺度を導入し、この次元がドメインのサンプルの複雑さを特徴づけることを示す。
• 参考スコア（独自算出の注目度）: 19.620063501642885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study a fundamental question of domain generalization: given a family of domains (i.e., data distributions), how many randomly sampled domains do we need to collect data from in order to learn a model that performs reasonably well on every seen and unseen domain in the family? We model this problem in the PAC framework and introduce a new combinatorial measure, which we call the domain shattering dimension. We show that this dimension characterizes the domain sample complexity. Furthermore, we establish a tight quantitative relationship between the domain shattering dimension and the classic VC dimension, demonstrating that every hypothesis class that is learnable in the standard PAC setting is also learnable in our setting.
• Abstract（参考訳）: ドメインの集合(すなわち、データ分布)が与えられたとき、家族内の見知らぬすべてのドメインに対して合理的に機能するモデルを学ぶために、ランダムにサンプリングされたドメインをいくつ集める必要があるか? 我々は、この問題をPACフレームワークでモデル化し、ドメインの破砕次元と呼ばれる新しい組合せ測度を導入する。 この次元がドメインサンプルの複雑さを特徴づけることを示す。 さらに、ドメインの破砕次元と古典的なVC次元の密接な定量的関係を確立し、標準PAC設定で学習可能な仮説クラスも、私たちの設定で学習可能であることを示す。

関連論文リスト

• What's in a Latent? Leveraging Diffusion Latent Space for Domain Generalization [10.079844840768054]
  ドメインの一般化は、新しい、目に見えないデータ分布に一般化できるモデルを開発することを目的としている。 モデルアーキテクチャと事前学習の目的が機能豊かさに与える影響について検討する。 我々のフレームワークは、最大4%以上のテスト精度向上により、未確認領域への一般化を改善する。
  論文  参考訳（メタデータ） (2025-03-09T17:29:01Z)
• Domain Generalization via Causal Adjustment for Cross-Domain Sentiment Analysis [59.73582306457387]
  クロスドメイン感情分析における領域一般化の問題に焦点をあてる。 本稿では,ドメイン固有表現とドメイン不変表現をアンタングル化するバックドア調整に基づく因果モデルを提案する。 一連の実験は、我々のモデルの優れたパフォーマンスと堅牢性を示しています。
  論文  参考訳（メタデータ） (2024-02-22T13:26:56Z)
• Domain-General Crowd Counting in Unseen Scenarios [25.171343652312974]
  群集データ間のドメインシフトは、群集数モデルが目に見えないシナリオに一般化するのを著しく妨げます。 ソースドメインを複数のサブドメインに分割する動的サブドメイン分割方式を提案する。 画像特徴におけるドメイン固有情報からドメイン不変情報を切り離すために、ドメイン不変および-特定のクラウドメモリモジュールを設計する。
  論文  参考訳（メタデータ） (2022-12-05T19:52:28Z)
• 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)
• TAL: Two-stream Adaptive Learning for Generalizable Person Re-identification [115.31432027711202]
  我々は、ドメイン固有性とドメイン不変性の両方が、re-idモデルの一般化能力の向上に不可欠であると主張する。 これら2種類の情報を同時にモデル化するために,2ストリーム適応学習 (TAL) を命名した。 我々のフレームワークは、単一ソースとマルチソースの両方のドメイン一般化タスクに適用できる。
  論文  参考訳（メタデータ） (2021-11-29T01:27:42Z)
• Self-Adversarial Disentangling for Specific Domain Adaptation [52.1935168534351]
  ドメイン適応は、ソースとターゲットドメイン間のドメインシフトをブリッジすることを目的としています。 最近の手法では、特定の次元について明示的な事前知識を考慮しないのが一般的である。
  論文  参考訳（メタデータ） (2021-08-08T02:36:45Z)
• Batch Normalization Embeddings for Deep Domain Generalization [50.51405390150066]
  ドメインの一般化は、異なるドメインと見えないドメインで堅牢に実行されるように機械学習モデルをトレーニングすることを目的としている。 一般的な領域一般化ベンチマークにおいて,最先端技術よりも分類精度が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:02:57Z)
• Mind the Gap: Enlarging the Domain Gap in Open Set Domain Adaptation [65.38975706997088]
  オープンセットドメイン適応(OSDA)は、ターゲットドメインに未知のクラスが存在することを前提としている。 既存の最先端手法は、より大きなドメインギャップが存在する場合、かなりの性能低下を被ることを示す。 我々は、より大きなドメインギャップに特に対処するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-08T14:20:24Z)

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。