論文の概要: SETrLUSI: Stochastic Ensemble Multi-Source Transfer Learning Using Statistical Invariant

• arxiv url: http://arxiv.org/abs/2509.15593v1
• Date: Fri, 19 Sep 2025 04:52:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.002666
• Title: SETrLUSI: Stochastic Ensemble Multi-Source Transfer Learning Using Statistical Invariant
• Title（参考訳）: SETrLUSI:統計的不変量を用いた確率的アンサンブル多元変換学習
• Authors: Chunna Li, Yiwei Song, Yuanhai Shao,
• Abstract要約: トランスファーラーニングでは、ソースドメインは様々な知識を持ち、異なるドメインは通常異なるタイプの知識を強調する。 マルチソース変換学習のための統計不変量(SI)の形で,収束モードの弱いアンサンブル学習フレームワークを導入する。 提案したSIは,多様な知識を効果的に活用するだけでなく,収束過程を加速するソースドメインとターゲットドメインの両方から,様々な種類の知識を抽出し,統合する。
• 参考スコア（独自算出の注目度）: 8.790090786343915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In transfer learning, a source domain often carries diverse knowledge, and different domains usually emphasize different types of knowledge. Different from handling only a single type of knowledge from all domains in traditional transfer learning methods, we introduce an ensemble learning framework with a weak mode of convergence in the form of Statistical Invariant (SI) for multi-source transfer learning, formulated as Stochastic Ensemble Multi-Source Transfer Learning Using Statistical Invariant (SETrLUSI). The proposed SI extracts and integrates various types of knowledge from both source and target domains, which not only effectively utilizes diverse knowledge but also accelerates the convergence process. Further, SETrLUSI incorporates stochastic SI selection, proportional source domain sampling, and target domain bootstrapping, which improves training efficiency while enhancing model stability. Experiments show that SETrLUSI has good convergence and outperforms related methods with a lower time cost.
• Abstract（参考訳）: トランスファーラーニングでは、ソースドメインは様々な知識を持ち、異なるドメインは通常異なるタイプの知識を強調する。 従来の移動学習手法では,全てのドメインから単一の知識しか扱わないのとは違い,多元移動学習のための統計不変量(SI)の形で収束モードの弱いアンサンブル学習フレームワークを導入し,統計的不変量(SETrLUSI)を用いた確率的アンサンブル多元移動学習(SETrLUSI)を定式化した。 提案したSIは,多様な知識を効果的に活用するだけでなく,収束過程を加速するソースドメインとターゲットドメインの両方から,様々な種類の知識を抽出し,統合する。 さらに、SETrLUSIには、確率的SI選択、比例的なソースドメインサンプリング、ターゲットドメインブートストラップが組み込まれており、モデルの安定性を高めながら、トレーニング効率を向上させる。 実験の結果,SETrLUSIの収束性は良好であり,関連手法よりも低コストであることがわかった。

関連論文リスト

• Wasserstein Transfer Learning [2.7641833515562135]
  本稿では,ワッサーシュタイン空間に分布する確率分布を出力とする回帰モデルにおいて,伝達学習のための新しいフレームワークを提案する。 転送可能なソース領域の情報的部分集合が知られているとき、我々は、転送効率に対するドメイン類似性の影響を定量化する、証明可能な収束率を持つ推定器を提案する。 情報的サブセットが不明な場合には、負の転送を緩和するデータ駆動型転送学習手法を開発する。
  論文  参考訳（メタデータ） (2025-05-23T02:38:03Z)
• Transfer Learning through Enhanced Sufficient Representation: Enriching Source Domain Knowledge with Target Data [2.308168896770315]
  TESR(Enhanced Sufficient Representation)によるトランスファーラーニング(Transfer Learning)と呼ばれる新しいトランスファーラーニング手法を提案する。 私たちのアプローチは、ソースドメインから十分かつ不変な表現を推定することから始まります。 この表現は、ターゲットデータから派生した独立したコンポーネントで拡張され、ターゲットドメインに十分で、その特定の特性に適応できることが保証される。
  論文  参考訳（メタデータ） (2025-02-22T13:18:28Z)
• Multisource Collaborative Domain Generalization for Cross-Scene Remote Sensing Image Classification [57.945437355714155]
  クロスシーン画像分類は, 異なる分布領域のアノテート領域に, 地中物質の事前の知識を伝達することを目的としている。 既存のアプローチでは、未確認のターゲットドメインへの単一ソースドメインの一般化に重点を置いている。 マルチソースリモートセンシングデータの均一性と不均一性特性に基づく,新しいマルチソース協調型ドメイン一般化フレームワーク(MS-CDG)を提案する。
  論文  参考訳（メタデータ） (2024-12-05T06:15:08Z)
• MLNet: Mutual Learning Network with Neighborhood Invariance for Universal Domain Adaptation [70.62860473259444]
  ユニバーサルドメイン適応(UniDA)は実用的だが難しい問題である。 既存のUniDAメソッドは、ターゲットドメイン内のドメイン内バリエーションを見落としている問題に悩まされる可能性がある。 そこで我々は,UniDA の近傍不変性を考慮した新しい相互学習ネットワーク (MLNet) を提案する。
  論文  参考訳（メタデータ） (2023-12-13T03:17:34Z)
• Multimodal Representation Learning by Alternating Unimodal Adaptation [73.15829571740866]
  MLA(Multimodal Learning with Alternating Unimodal Adaptation)を提案する。 MLAは、それを交互に一助学習プロセスに変換することで、従来の共同マルチモーダル学習プロセスを再構築する。 共有ヘッドを通じてモーダル間相互作用をキャプチャし、異なるモーダル間で連続的な最適化を行う。 実験は5つの多様なデータセットで行われ、完全なモダリティを持つシナリオと、欠落したモダリティを持つシナリオを含む。
  論文  参考訳（メタデータ） (2023-11-17T18:57:40Z)
• A Recent Survey of Heterogeneous Transfer Learning [15.830786437956144]
  異種移動学習は 様々なタスクにおいて 重要な戦略となっている。 データベースとモデルベースの両方のアプローチを網羅した60以上のHTLメソッドの広範なレビューを提供する。 自然言語処理,コンピュータビジョン,マルチモーダル学習,バイオメディシンの応用について検討する。
  論文  参考訳（メタデータ） (2023-10-12T16:19:58Z)
• Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
  本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。 我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。 ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
  論文  参考訳（メタデータ） (2022-02-10T06:23:56Z)
• Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-07-17T07:52:44Z)

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。