論文の概要: Weakly-Supervised Domain Adaptation with Proportion-Constrained Pseudo-Labeling

• arxiv url: http://arxiv.org/abs/2506.22301v1
• Date: Fri, 27 Jun 2025 15:13:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.253948
• Title: Weakly-Supervised Domain Adaptation with Proportion-Constrained Pseudo-Labeling
• Title（参考訳）: Proportion-Constrained Pseudo-Labelingによる弱改善ドメイン適応
• Authors: Takumi Okuo, Shinnosuke Matsuo, Shota Harada, Kiyohito Tanaka, Ryoma Bise,
• Abstract要約: ドメインシフトは、特に医療応用において、機械学習において重要な課題である。 本稿では,対象ドメインのクラス比例情報を活用する弱教師付きドメイン適応手法を提案する。 提案手法は,クラス比に基づいてラベルなしのターゲットデータに擬似ラベルを割り当て,追加アノテーションを必要とせずに性能を向上する。
• 参考スコア（独自算出の注目度）: 3.9146761527401424
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Domain shift is a significant challenge in machine learning, particularly in medical applications where data distributions differ across institutions due to variations in data collection practices, equipment, and procedures. This can degrade performance when models trained on source domain data are applied to the target domain. Domain adaptation methods have been widely studied to address this issue, but most struggle when class proportions between the source and target domains differ. In this paper, we propose a weakly-supervised domain adaptation method that leverages class proportion information from the target domain, which is often accessible in medical datasets through prior knowledge or statistical reports. Our method assigns pseudo-labels to the unlabeled target data based on class proportion (called proportion-constrained pseudo-labeling), improving performance without the need for additional annotations. Experiments on two endoscopic datasets demonstrate that our method outperforms semi-supervised domain adaptation techniques, even when 5% of the target domain is labeled. Additionally, the experimental results with noisy proportion labels highlight the robustness of our method, further demonstrating its effectiveness in real-world application scenarios.
• Abstract（参考訳）: ドメインシフトは機械学習において重要な課題であり、特にデータ収集のプラクティスや機器、手順のバリエーションによって、組織間でデータの分散が異なる医療アプリケーションにおいてである。 これにより、ソースドメインデータに基づいてトレーニングされたモデルがターゲットドメインに適用されると、パフォーマンスが低下する可能性がある。 ドメイン適応法はこの問題に対処するために広く研究されてきたが、ほとんどの場合、ソースとターゲットドメインのクラス比が異なっている。 本稿では,従来の知識や統計報告を通じて医療データセットにしばしばアクセス可能な,対象ドメインからのクラス比率情報を活用する,弱教師付きドメイン適応手法を提案する。 提案手法では, クラス比に基づいて, 擬似ラベルを対象データに割り当て, 付加アノテーションを必要とせず, 性能を向上する。 2つの内視鏡的データセットを用いた実験により,対象ドメインの5%がラベル付けされた場合でも,本手法が半教師付きドメイン適応技術より優れていることが示された。 さらに、ノイズ比例ラベルを用いた実験結果により、本手法の堅牢性を強調し、実世界のアプリケーションシナリオにおけるその有効性を示す。

関連論文リスト

• LE-UDA: Label-efficient unsupervised domain adaptation for medical image segmentation [24.655779957716558]
  ラベル有効非教師付きドメイン適応(LE-UDA)と呼ばれる新規で汎用的なフレームワークを提案する。 LE-UDAでは、両ドメイン間の知識伝達のための自己認識一貫性と、UDAの機能アライメントを向上するために自己認識学習モジュールを構築している。 実験結果から,提案するLE-UDAは,限られたソースラベルを有効活用し,ドメイン間セグメンテーション性能を向上し,文献における最先端のUDAアプローチより優れていることが示された。
  論文  参考訳（メタデータ） (2022-12-05T07:47:35Z)
• ADeADA: Adaptive Density-aware Active Domain Adaptation for Semantic Segmentation [23.813813896293876]
  セマンティックセグメンテーションのための一般的なアクティブドメイン適応フレームワークであるADeADAについて述べる。 対象とするドメインアノテーションが5%未満の場合、我々のメソッドは完全な監視の方法と同等の結果に到達します。
  論文  参考訳（メタデータ） (2022-02-14T05:17:38Z)
• 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)
• Weak Adaptation Learning -- Addressing Cross-domain Data Insufficiency with Weak Annotator [2.8672054847109134]
  一部のターゲット問題ドメインでは、学習プロセスを妨げる可能性のあるデータサンプルがあまりありません。 類似のソースドメインからのラベルなしデータを活用した弱い適応学習(wal)手法を提案する。 本実験は,対象領域に限定されたラベル付きデータを含む正確な分類器を学習する手法の有効性を示す。
  論文  参考訳（メタデータ） (2021-02-15T06:19:25Z)
• 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)
• Effective Label Propagation for Discriminative Semi-Supervised Domain Adaptation [76.41664929948607]
  半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。 本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。 ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
  論文  参考訳（メタデータ） (2020-12-04T14:28:19Z)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)
• Domain Adaptation for Semantic Parsing [68.81787666086554]
  本稿では,ドメイン適応のための新しいセマンティクスを提案する。このセマンティクスでは,ソースドメインと比較して,対象ドメインのアノテーション付きデータがはるかに少ない。 我々のセマンティックな利点は、2段階の粗大なフレームワークから得ており、2段階の異なる正確な処理を提供できる。 ベンチマークデータセットの実験により、我々の手法はいくつかの一般的なドメイン適応戦略より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-06-23T14:47:41Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。