論文の概要: Source-Free Cross-Domain Continual Learning

• arxiv url: http://arxiv.org/abs/2510.01649v1
• Date: Thu, 02 Oct 2025 04:09:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.980821
• Title: Source-Free Cross-Domain Continual Learning
• Title（参考訳）: ソースフリーのクロスドメイン連続学習
• Authors: Muhammad Tanzil Furqon, Mahardhika Pratama, Igor Škrjanc, Lin Liu, Habibullah Habibullah, Kutluyil Dogancay,
• Abstract要約: リハーサルのない周波数対応動的プロンプトコラボレーション(REFEREE)を提案し、クロスドメイン連続学習の領域におけるラベル付きソースドメインサンプルの欠如に対処する。 REFEREEはソース事前学習モデルと大規模視覚言語モデルとの相乗効果に基づいて構築される。
• 参考スコア（独自算出の注目度）: 10.156053708425711
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although existing cross-domain continual learning approaches successfully address many streaming tasks having domain shifts, they call for a fully labeled source domain hindering their feasibility in the privacy constrained environments. This paper goes one step ahead with the problem of source-free cross-domain continual learning where the use of source-domain samples are completely prohibited. We propose the idea of rehearsal-free frequency-aware dynamic prompt collaborations (REFEREE) to cope with the absence of labeled source-domain samples in realm of cross-domain continual learning. REFEREE is built upon a synergy between a source-pre-trained model and a large-scale vision-language model, thus overcoming the problem of sub-optimal generalizations when relying only on a source pre-trained model. The domain shift problem between the source domain and the target domain is handled by a frequency-aware prompting technique encouraging low-frequency components while suppressing high-frequency components. This strategy generates frequency-aware augmented samples, robust against noisy pseudo labels. The noisy pseudo-label problem is further addressed with the uncertainty-aware weighting strategy where the mean and covariance matrix are weighted by prediction uncertainties, thus mitigating the adverse effects of the noisy pseudo label. Besides, the issue of catastrophic forgetting (CF) is overcome by kernel linear discriminant analysis (KLDA) where the backbone network is frozen while the classification is performed using the linear discriminant analysis approach guided by the random kernel method. Our rigorous numerical studies confirm the advantage of our approach where it beats prior arts having access to source domain samples with significant margins.
• Abstract（参考訳）: 既存のクロスドメイン連続学習アプローチは、ドメインシフトを持つ多くのストリーミングタスクにうまく対処するが、完全なラベル付きソースドメインが、プライバシ制約のある環境におけるその実現可能性を妨げることを要求している。 本稿では、ソース・ドメイン・サンプルの使用を完全に禁止する、ソースフリーなクロスドメイン連続学習の問題に一歩前進する。 クロスドメイン連続学習の領域におけるラベル付きソースドメインサンプルの欠如に対処するため,リハーサルのない周波数対応動的プロンプトコラボレーション(REFEREE)を提案する。 REFEREEは、ソース事前学習モデルと大規模視覚言語モデルとの相乗効果に基づいて構築され、ソース事前学習モデルのみに依存する場合の準最適一般化の問題を克服する。 ソースドメインとターゲットドメインとのドメインシフト問題は、高周波成分を抑制しながら低周波成分を奨励する周波数認識プロンプト技術によって処理される。 この戦略は、ノイズの多い擬似ラベルに対して頑健な周波数対応強化サンプルを生成する。 さらに、不確実性予測により平均と共分散行列を重み付けする不確実性認識重み付け戦略により、ノイズ疑似ラベルの悪影響を緩和する。 さらに、ランダムカーネル法で導かれる線形判別分析アプローチを用いて分類しながら、バックボーンネットワークを凍結するカーネル線形判別分析(KLDA)により、破滅的忘れ(CF)の問題を克服する。 我々の厳密な数値研究は、ソースドメインのサンプルをかなりのマージンでアクセスできる先行技術に勝るアプローチの利点を裏付けるものである。

関連論文リスト

• Multi-Prompt Progressive Alignment for Multi-Source Unsupervised Domain Adaptation [73.40696661117408]
  未ラベルの下流タスクにCLIPを適用するためのプログレッシブアライメント戦略を提案する。 私たちはアプローチをMP2Aと名付け、ImageCLEF、Office-Home、そして最も難しいDomainNetという3つの人気のあるUDAベンチマークでテストします。 実験によると、MP2Aは最新のCLIPベースのMS-UDAアプローチと比較して最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-07-31T09:42:42Z)
• Cross-Domain Diffusion with Progressive Alignment for Efficient Adaptive Retrieval [52.67656818203429]
  非教師付き効率的なドメイン適応検索は、ラベル付きソースドメインからラベルなし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る。 既存のメソッドは、ターゲットドメインの潜在的なノイズに対処できず、ドメイン間で直接高レベルな機能を調整します。 そこで本研究では,これらの課題に対処する新しいクロスドメイン拡散・プログレッシブアライメント法(COUPLE)を提案する。
  論文  参考訳（メタデータ） (2025-05-20T04:17:39Z)
• Time and Frequency Synergy for Source-Free Time-Series Domain Adaptations [13.206527803092817]
  本稿では、ソースフリーな時系列領域適応問題に対処するための時間周波数領域適応(TFDA)を提案する。 TFDAは、最終予測を行う際に時間と周波数の両方の特徴を完全に活用した二重分岐ネットワーク構造で開発されている。
  論文  参考訳（メタデータ） (2024-10-23T02:29:50Z)
• Cross-Domain Continual Learning via CLAMP [10.553456651003055]
  CLAMPは、すべての実験で確立されたベースラインアルゴリズムを少なくとも10%のマージンで大幅に上回っている。 ベースモデルの学習プロセスをナビゲートするために、評価者誘導学習プロセスがフォワードされる。
  論文  参考訳（メタデータ） (2024-05-12T02:41:31Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• 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)
• Provably Uncertainty-Guided Universal Domain Adaptation [34.76381510773768]
  ユニバーサルドメイン適応(UniDA)は、ラベル付きソースドメインからラベルなし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る。 UniDAの主な課題は、識別不能なラベルセットが2つのドメイン間のミスアライメントを引き起こすことである。 潜在空間における対象サンプルの分布を利用した新しい不確実性誘導型UniDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-19T09:16:07Z)
• 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)
• ProxyMix: Proxy-based Mixup Training with Label Refinery for Source-Free Domain Adaptation [73.14508297140652]
  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に知識を転送することを目的としている。 Proxy-based Mixup training with label refinery (ProxyMix)を提案する。 3つの2D画像と1つの3Dポイントクラウドオブジェクト認識ベンチマークの実験は、ProxyMixがソースフリーなUDAタスクに最先端のパフォーマンスをもたらすことを示した。
  論文  参考訳（メタデータ） (2022-05-29T03:45:00Z)
• Towards Robust Cross-domain Image Understanding with Unsupervised Noise Removal [18.21213151403402]
  ソース領域がノイズである場合に、クロスドメイン画像理解のための現代ドメイン適応手法が不十分であることが判明した。 Weakly Supervised Domain Adaptation (WSDA) のための新しいノイズ耐性ドメイン適応法を提案する。 新型コロナウイルスおよび電子商取引データセットの一般画像と医用画像の両面において,本手法の有効性を評価するため,広範な実験を行った。
  論文  参考訳（メタデータ） (2021-09-09T14:06:59Z)
• Adaptive Pseudo-Label Refinement by Negative Ensemble Learning for Source-Free Unsupervised Domain Adaptation [35.728603077621564]
  既存のUnsupervised Domain Adaptation (UDA)メソッドは、トレーニング中にソースとターゲットのドメインデータを同時に利用できると仮定する。 訓練済みのソースモデルは、よく知られたドメインシフトの問題により、ターゲットに対して性能が悪くても、常に利用可能であると考えられている。 適応型ノイズフィルタリングと擬似ラベル改良に取り組むための統一手法を提案する。
  論文  参考訳（メタデータ） (2021-03-29T22:18:34Z)

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。