論文の概要: Mitigating Negative Transfer via Reducing Environmental Disagreement

• arxiv url: http://arxiv.org/abs/2510.24044v1
• Date: Tue, 28 Oct 2025 03:56:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.748694
• Title: Mitigating Negative Transfer via Reducing Environmental Disagreement
• Title（参考訳）: 環境要因の低減による負の移動の緩和
• Authors: Hui Sun, Zheng Xie, Hao-Yuan He, Ming Li,
• Abstract要約: 本研究は、因果非絡み合い学習のレンズを通しての負の伝達を再考する。 理論的分析から, 環境の発達に伴う非因果的環境特性への過度依存が差別的不一致を引き起こす可能性が示唆された。 本研究では,各試料をドメイン不変因果特徴とドメイン固有非因果的環境特徴に分解する環境診断(RED)を提案する。
• 参考スコア（独自算出の注目度）: 13.788402503454513
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised Domain Adaptation~(UDA) focuses on transferring knowledge from a labeled source domain to an unlabeled target domain, addressing the challenge of \emph{domain shift}. Significant domain shifts hinder effective knowledge transfer, leading to \emph{negative transfer} and deteriorating model performance. Therefore, mitigating negative transfer is essential. This study revisits negative transfer through the lens of causally disentangled learning, emphasizing cross-domain discriminative disagreement on non-causal environmental features as a critical factor. Our theoretical analysis reveals that overreliance on non-causal environmental features as the environment evolves can cause discriminative disagreements~(termed \emph{environmental disagreement}), thereby resulting in negative transfer. To address this, we propose Reducing Environmental Disagreement~(RED), which disentangles each sample into domain-invariant causal features and domain-specific non-causal environmental features via adversarially training domain-specific environmental feature extractors in the opposite domains. Subsequently, RED estimates and reduces environmental disagreement based on domain-specific non-causal environmental features. Experimental results confirm that RED effectively mitigates negative transfer and achieves state-of-the-art performance.
• Abstract（参考訳）: Unsupervised Domain Adaptation~(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への知識の転送に重点を置いている。 重要なドメインシフトは効果的な知識伝達を妨げる。 したがって、負転移の緩和が不可欠である。 本研究は、非因果的環境特徴に対するドメイン間の差別的不一致を重要要因として、因果的非絡み合い学習のレンズによる負の伝達を再考する。 また, 環境変化に伴う非因果的環境特性への過度依存は, 差別的不一致や差別的不一致を生じさせ, 負の移動をもたらす可能性が示唆された。 そこで本研究では,各サンプルをドメイン不変因果的特徴とドメイン固有非因果的特徴に分解するReduceing Environmental Disagreement~(RED)を提案する。 その後、REDは、ドメイン固有の非因果的環境特徴に基づいて、環境の不一致を見積もり、削減する。 実験結果から、REDは負の伝達を効果的に軽減し、最先端の性能を達成することを確認した。

関連論文リスト

• Overcoming Negative Transfer by Online Selection: Distant Domain Adaptation for Fault Diagnosis [42.85741244467877]
  遠距離領域適応問題」という用語は、ラベル付きソースドメインからラベル付き未ラベルのターゲットドメインへの適応の難しさを記述している。 この問題は、ソースドメインからの外部知識がターゲットドメインのパフォーマンスに悪影響を及ぼす、負の転送のリスクを示す。 この課題に対応するために、我々は、新しいオンライン選択適応(OSAA)アプローチを提案する。
  論文  参考訳（メタデータ） (2024-05-25T07:17:47Z)
• Rethinking Domain Generalization for Face Anti-spoofing: Separability and Alignment [35.67771212285966]
  本研究は,画像の解像度,ぼやけ度,センサの変動といった領域ギャップに対する対面アンチ・スプーフィング(FAS)モデルの一般化問題について検討する。 我々は、不変リスク最小化(IRM)の問題として、分離性と整合性(SA-FAS)のこのFAS戦略を定式化する。 ドメイン間FASデータセットに対するSA-FASの有効性を実証し、最先端の性能を確立する。
  論文  参考訳（メタデータ） (2023-03-23T20:34:27Z)
• Cyclically Disentangled Feature Translation for Face Anti-spoofing [61.70377630461084]
  循環不整合特徴変換ネットワーク(CDFTN)と呼ばれる新しい領域適応手法を提案する。 CDFTNは、(1)ソースドメイン不変の生長特徴と2)ドメイン固有のコンテンツ特徴とを持つ擬似ラベル付きサンプルを生成する。 ソースドメインラベルの監督の下で、合成擬似ラベル付き画像に基づいてロバスト分類器を訓練する。
  論文  参考訳（メタデータ） (2022-12-07T14:12:34Z)
• Adversarial Bi-Regressor Network for Domain Adaptive Regression [52.5168835502987]
  ドメインシフトを軽減するために、クロスドメインレグレッタを学ぶことが不可欠です。 本稿では、より効果的なドメイン間回帰モデルを求めるために、ABRNet(Adversarial Bi-Regressor Network)を提案する。
  論文  参考訳（メタデータ） (2022-09-20T18:38:28Z)
• Unsupervised Domain Adaptation for One-stage Object Detector using Offsets to Bounding Box [31.594207790000226]
  既存のドメインオブジェクト検出メソッドの多くは、モデルを新しいドメインに適応させるために、敵対的な特徴アライメントを利用する。 対角的特徴アライメントの最近の進歩は、対象のカテゴリーによって特徴の分布が変化するため、アライメントの負の効果(負の移動)を減少させようとしている。
  論文  参考訳（メタデータ） (2022-07-20T05:17:12Z)
• Interventional Domain Adaptation [81.0692660794765]
  ドメイン適応(DA)は、ソースドメインからターゲットドメインに学習した差別的特徴を転送することを目的としている。 標準的なドメイン不変学習は、素早い相関に悩まされ、ソース固有性を誤って転送する。 ドメイン固有部分とドメイン共有部分とを区別する反ファクト機能を作成します。
  論文  参考訳（メタデータ） (2020-11-07T09:53:13Z)
• Mining Label Distribution Drift in Unsupervised Domain Adaptation [78.2452946757045]
  本稿では,データ分散のシフトとラベル分布のドリフトを協調的に処理するためのラベル分布マッチング・ドメイン・アドバイザリアル・ネットワーク(LMDAN)を提案する。 実験により, LMDANはラベル分布のドリフトに優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2020-06-16T23:41:42Z)
• Towards Accurate and Robust Domain Adaptation under Noisy Environments [37.46889836344764]
  非定常環境では、学習機械は通常、データ分布が時間とともに変化する領域適応シナリオに直面する。 それまでのドメイン適応の研究は理論と実践において大きな成功を収めた。 しかし、ソースドメインのラベルや特徴が破損するノイズの多い環境では、常にロバストさを失う。
  論文  参考訳（メタデータ） (2020-04-27T01:07:19Z)
• Gradually Vanishing Bridge for Adversarial Domain Adaptation [156.46378041408192]
  我々は,ジェネレータと判別器の両方にGVB(Gradually Vanishing Bridge)機構を併用した対向領域適応を行う。 ジェネレータでは、GVBは全体の転送困難を軽減できるだけでなく、残留ドメイン固有の特性の影響を低減できる。 判別器では、GVBは識別能力を高め、敵の訓練過程のバランスをとることに寄与する。
  論文  参考訳（メタデータ） (2020-03-30T01:36:13Z)

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。