論文の概要: Open-Set Domain Adaptation Under Background Distribution Shift: Challenges and A Provably Efficient Solution

• arxiv url: http://arxiv.org/abs/2512.01152v2
• Date: Wed, 03 Dec 2025 19:23:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 14:54:32.796999
• Title: Open-Set Domain Adaptation Under Background Distribution Shift: Challenges and A Provably Efficient Solution
• Title（参考訳）: 背景分布シフトによるオープンセット領域適応 : 課題と効果的解法
• Authors: Shravan Chaudhari, Yoav Wald, Suchi Saria,
• Abstract要約: CoLORは、背景分布がシフトする困難な場合においても、オープンセット認識を解決することが保証される手法である。 我々は、CoLORをスケーラブルで堅牢なものにするための技術を開発し、画像およびテキストデータに対して包括的な経験的評価を行う。
• 参考スコア（独自算出の注目度）: 10.142637798490309
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As we deploy machine learning systems in the real world, a core challenge is to maintain a model that is performant even as the data shifts. Such shifts can take many forms: new classes may emerge that were absent during training, a problem known as open-set recognition, and the distribution of known categories may change. Guarantees on open-set recognition are mostly derived under the assumption that the distribution of known classes, which we call the background distribution, is fixed. In this paper we develop CoLOR, a method that is guaranteed to solve open-set recognition even in the challenging case where the background distribution shifts. We prove that the method works under benign assumptions that the novel class is separable from the non-novel classes, and provide theoretical guarantees that it outperforms a representative baseline in a simplified overparameterized setting. We develop techniques to make CoLOR scalable and robust, and perform comprehensive empirical evaluations on image and text data. The results show that CoLOR significantly outperforms existing open-set recognition methods under background shift. Moreover, we provide new insights into how factors such as the size of the novel class influences performance, an aspect that has not been extensively explored in prior work.
• Abstract（参考訳）: 機械学習システムが現実世界に展開するにつれて、データシフト時にもパフォーマンスの高いモデルを維持することが大きな課題になります。 トレーニング中に欠落していた新しいクラスが出現し、オープンセット認識と呼ばれる問題が発生し、既知のカテゴリの分布が変化する。 オープンセット認識の保証は主に、私たちがバックグラウンド分布と呼ぶ既知のクラスの分布が固定されているという仮定のもとに導かれる。 本稿では,背景分布が変化した場合においても,オープンセット認識の解決が保証される手法であるCoLORを開発する。 本手法は,新規クラスが非ノーベルクラスから分離可能であるという良質な仮定の下で動作し,単純化された過パラメータ設定で代表ベースラインよりも優れているという理論的保証を提供する。 我々は、CoLORをスケーラブルで堅牢なものにするための技術を開発し、画像およびテキストデータに対して包括的な経験的評価を行う。 その結果,CoLORはバックグラウンドシフト下での既存のオープンセット認識手法よりも大幅に優れていた。 さらに,新しいクラスのサイズなどの要因がパフォーマンスにどのように影響するか,新たな知見を提供する。

関連論文リスト

• PAC Learnability in the Presence of Performativity [5.996298190476913]
  本研究では,従来のPAC学習フレームワークのレンズを用いて,性能的二項分類問題を学習可能かどうかについて検討する。 本研究では,本来の分布から得られるデータと,その型による性能的リスク関数を構築した。 この性能リスクの概念を最小化することで、標準的な二項分類設定における任意のPAC学習可能な仮説空間がPAC学習可能なままであることを示すことができる。
  論文  参考訳（メタデータ） (2025-10-09T15:22:52Z)
• Informed Mixing -- Improving Open Set Recognition via Attribution-based Augmentation [17.110010140066134]
  モデル推論中に新しいクラスを検出する問題に対処するために,オープンセット認識(OSR)が考案された。 学習中のモデルの勾配に基づく属性マップを動的に活用し,学習済みの概念を隠蔽するデータ拡張手法GradMixを提案する。 オープンセット認識,クローズドセット分類,アウト・オブ・ディストリビューション検出の実験により,我々の手法が最先端技術を上回ることがよく明らかになった。
  論文  参考訳（メタデータ） (2025-05-19T07:32:06Z)
• Exploiting Fine-Grained Prototype Distribution for Boosting Unsupervised Class Incremental Learning [13.17775851211893]
  本稿では,教師なしクラスインクリメンタルラーニング(UCIL)の課題について検討する。 この問題に対処することの本質は、包括的特徴表現を効果的に捉え、未知の新しいクラスを発見することである。 本稿では,新しいクラスと既存クラスの重複を最小限に抑え,歴史的知識を保存し,破滅的な忘れの現象を緩和する戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-19T14:38:27Z)
• SimPro: A Simple Probabilistic Framework Towards Realistic Long-Tailed Semi-Supervised Learning [49.94607673097326]
  ラベルなしデータの分散に関する前提を前提としない、高度に適応可能なフレームワークをSimProとして提案する。 我々のフレームワークは確率モデルに基づいており、期待最大化アルゴリズムを革新的に洗練する。 本手法は,様々なベンチマークやデータ分散シナリオにまたがる一貫した最先端性能を示す。
  論文  参考訳（メタデータ） (2024-02-21T03:39:04Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• OpenIncrement: A Unified Framework for Open Set Recognition and Deep Class-Incremental Learning [4.278434830731282]
  オープンな集合認識と統合された深層学習フレームワークを提案する。 提案手法は,クラスに学習した特徴を改良し,距離に基づくオープンセット認識に適応させる。 実験により,本手法が最先端のインクリメンタル学習技術より優れていることを確認した。
  論文  参考訳（メタデータ） (2023-10-05T19:08:08Z)
• Novel Class Discovery for Long-tailed Recognition [17.464885951359047]
  我々は,新しいクラスと既知のクラスの分布が長い尾を持つ,新しいクラス発見のためのより現実的な設定を考える。 この問題に対処するために,クラスを等角的に表現した適応型自己ラベル方式を提案する。 本手法は, 緩和された最適輸送問題の解法により, 新たなクラスに対して高品質な擬似ラベルを推論する。
  論文  参考訳（メタデータ） (2023-08-06T02:15:19Z)
• PatchMix Augmentation to Identify Causal Features in Few-shot Learning [55.64873998196191]
  少ないショット学習は、十分なカテゴリをラベル付けしたデータに基づいて学習した知識を、少ない既知の情報を持つ新しいカテゴリに転送することを目的としている。 我々はPatchMixと呼ばれる新しいデータ拡張戦略を提案し、この急激な依存関係を壊すことができる。 このような拡張メカニズムが,既存のメカニズムと異なり,因果的特徴を識別可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-29T08:41:29Z)
• Uncertainty-aware Label Distribution Learning for Facial Expression Recognition [13.321770808076398]
  本研究では,不確実性と曖昧性に対する深層モデルのロバスト性を改善するために,新しい不確実性を考慮したラベル分布学習法を提案する。 本手法は深層ネットワークに容易に組み込んで,より訓練の監督と認識精度の向上を図ることができる。
  論文  参考訳（メタデータ） (2022-09-21T15:48:41Z)
• Principled Knowledge Extrapolation with GANs [92.62635018136476]
  我々は,知識外挿の新たな視点から,対実合成を研究する。 本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。 提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
  論文  参考訳（メタデータ） (2022-05-21T08:39:42Z)
• Contrastive Learning for Fair Representations [50.95604482330149]
  訓練された分類モデルは、意図せずバイアスのある表現や予測につながる可能性がある。 対戦訓練のような既存の分類モデルのデバイアス化手法は、訓練に高価であり、最適化が困難であることが多い。 比較学習を取り入れたバイアス軽減手法を提案し、同じクラスラベルを共有するインスタンスに類似した表現を推奨する。
  論文  参考訳（メタデータ） (2021-09-22T10:47:51Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Improved Robustness to Open Set Inputs via Tempered Mixup [37.98372874213471]
  本稿では,背景データセットを使わずにオープンセットのロバスト性を向上する簡単な正規化手法を提案する。 提案手法は,オープンセット分類ベースラインにおける最先端の成果を達成し,大規模オープンセット分類問題に容易にスケールすることができる。
  論文  参考訳（メタデータ） (2020-09-10T04:01:31Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)

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。