論文の概要: Vicinity-Guided Discriminative Latent Diffusion for Privacy-Preserving Domain Adaptation

• arxiv url: http://arxiv.org/abs/2510.00478v1
• Date: Wed, 01 Oct 2025 03:58:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.361907
• Title: Vicinity-Guided Discriminative Latent Diffusion for Privacy-Preserving Domain Adaptation
• Title（参考訳）: プライバシ保護ドメイン適応のためのウイルス誘導型識別遅延拡散
• Authors: Jing Wang, Wonho Bae, Jiahong Chen, Wenxu Wang, Junhyug Noh,
• Abstract要約: 識別性粘度拡散(DVD)は、ソースフリードメイン適応の実践的な変種のためのフレームワークである。 DVDは、各ソース特徴のラベル情報をその潜在近傍にエンコードする。 標準的なSFDAベンチマークにおいて,DVDは最先端の手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 11.673350359272716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work on latent diffusion models (LDMs) has focused almost exclusively on generative tasks, leaving their potential for discriminative transfer largely unexplored. We introduce Discriminative Vicinity Diffusion (DVD), a novel LDM-based framework for a more practical variant of source-free domain adaptation (SFDA): the source provider may share not only a pre-trained classifier but also an auxiliary latent diffusion module, trained once on the source data and never exposing raw source samples. DVD encodes each source feature's label information into its latent vicinity by fitting a Gaussian prior over its k-nearest neighbors and training the diffusion network to drift noisy samples back to label-consistent representations. During adaptation, we sample from each target feature's latent vicinity, apply the frozen diffusion module to generate source-like cues, and use a simple InfoNCE loss to align the target encoder to these cues, explicitly transferring decision boundaries without source access. Across standard SFDA benchmarks, DVD outperforms state-of-the-art methods. We further show that the same latent diffusion module enhances the source classifier's accuracy on in-domain data and boosts performance in supervised classification and domain generalization experiments. DVD thus reinterprets LDMs as practical, privacy-preserving bridges for explicit knowledge transfer, addressing a core challenge in source-free domain adaptation that prior methods have yet to solve.
• Abstract（参考訳）: 潜在拡散モデル(LDMs)に関する最近の研究は、主に生成的タスクに焦点を合わせており、識別的伝達の可能性はほとんど解明されていない。 我々は、より実用的なソースフリードメイン適応(SFDA)のための新しい LDM ベースのフレームワークである Disriminative Vicinity Diffusion (DVD) を紹介した。ソースプロバイダは、事前訓練された分類器だけでなく、ソースデータに基づいてトレーニングされた後続拡散モジュールも共有できる。 DVDは、各ソースの特徴のラベル情報を、k-アネレスト近傍にガウシアンを配置し、拡散ネットワークを学習し、ノイズの多いサンプルをラベル一貫性のある表現に戻すことで、その潜伏した近傍にエンコードする。 適応中、各特徴の潜伏近傍からサンプルを採取し、凍結拡散モジュールを用いてソースライクなキューを生成し、単純なInfoNCEロスを用いてターゲットエンコーダをこれらのキューにアライメントし、ソースアクセスなしで決定境界を明示的に転送する。 標準的なSFDAベンチマークでは、DVDは最先端の方法よりも優れています。 さらに、同じ潜伏拡散モジュールは、ドメイン内のデータに対するソース分類器の精度を高め、教師付き分類およびドメイン一般化実験における性能を高めることを示す。 したがって、DVDはLCDを明示的な知識伝達のための実用的なプライバシー保護ブリッジとして再解釈し、従来の手法がまだ解決していない、ソースフリーなドメイン適応における中核的な課題に対処する。

関連論文リスト

• Progressive Multi-Source Domain Adaptation for Personalized Facial Expression Recognition [51.61979855488214]
  パーソナライズされた表情認識(FER)では、ラベル付きソースとラベルなしターゲットドメインのサンプルを使用して機械学習モデルを適用する。 本稿では,対象者との類似性に基づいて,段階的なMSDA手法を提案する。 実験の結果,痛覚データセットに対する提案手法の有効性が示された: Biovid と UNBC-McMaster。
  論文  参考訳（メタデータ） (2025-04-05T19:14:51Z)
• Unified Source-Free Domain Adaptation [41.90015041165936]
  統合食品医薬品局(SFDA)における潜在因果因子発見の新たなアプローチを提案する。 現実の統計的記述の学習を強調する従来の代替手段とは対照的に、因果性の観点からCausalDAを定式化する。 広義の世界知識を統合するために、CLIPのような事前学習された視覚言語モデルを利用する。
  論文  参考訳（メタデータ） (2024-03-12T12:40:08Z)
• Denoising Diffusion Autoencoders are Unified Self-supervised Learners [58.194184241363175]
  本稿では,拡散モデルにおけるネットワーク,すなわち拡散オートエンコーダ(DDAE)が,自己教師型学習者の統合であることを示す。 DDAEはすでに、補助エンコーダを使わずに、中間層内で線形分離可能な表現を強く学習している。 CIFAR-10 と Tiny-ImageNet の線形評価精度は95.9% と 50.0% である。
  論文  参考訳（メタデータ） (2023-03-17T04:20:47Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• RAIN: RegulArization on Input and Network for Black-Box Domain Adaptation [80.03883315743715]
  ソースのないドメイン適応は、ソースデータを公開することなく、ソース訓練されたモデルをターゲットドメインに転送する。 このパラダイムは、ソースモデルに対する敵対的な攻撃のため、データ漏洩のリスクがある。 そこで我々は,入力レベルとネットワークレベルの両方の正規化からブラックボックスドメインを適応させる新しい手法であるRAIN(RegulArization on Input and Network)を提案する。
  論文  参考訳（メタデータ） (2022-08-22T18:18:47Z)
• Balancing Discriminability and Transferability for Source-Free Domain Adaptation [55.143687986324935]
  従来のドメイン適応(DA)技術は、ドメイン不変表現を学習することでドメイン転送性を改善することを目的としている。 ラベル付けされたソースとラベル付けされていないターゲットへの同時アクセス要件は、ソースフリーなDA設定に適さない。 そこで本研究では,原文と翻訳サンプルの混在が識別可能性と伝達可能性のトレードオフを促進することを示す新しい知見を導出する。
  論文  参考訳（メタデータ） (2022-06-16T09:06:22Z)
• 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)

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。