論文の概要: Autonomous Source Knowledge Selection in Multi-Domain Adaptation

• arxiv url: http://arxiv.org/abs/2512.14710v1
• Date: Mon, 08 Dec 2025 07:04:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.675887
• Title: Autonomous Source Knowledge Selection in Multi-Domain Adaptation
• Title（参考訳）: マルチドメイン適応における自律的ソース知識の選択
• Authors: Keqiuyin Li, Jie Lu, Hua Zuo, Guangquan Zhang,
• Abstract要約: UnderlinetextitAutonomous Source Knowledge underlinetextitSelection (AutoS) というマルチドメイン適応手法を提案する。 提案手法は, トレーニング中のソースサンプルの選択と, ターゲット予測にどのソースモデルが寄与するかを決定するために, 密度駆動選択方式を用いる。 同時に、事前訓練されたマルチモーダルモーダル上に構築された擬似ラベル拡張モジュールを用いて、目標ラベルノイズを緩和し、自己監督を改善する。
• 参考スコア（独自算出の注目度）: 24.68167440089257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised multi-domain adaptation plays a key role in transfer learning by leveraging acquired rich source information from multiple source domains to solve target task from an unlabeled target domain. However, multiple source domains often contain much redundant or unrelated information which can harm transfer performance, especially when in massive-source domain settings. It is urgent to develop effective strategies for identifying and selecting the most transferable knowledge from massive source domains to address the target task. In this paper, we propose a multi-domain adaptation method named \underline{\textit{Auto}}nomous Source Knowledge \underline{\textit{S}}election (AutoS) to autonomosly select source training samples and models, enabling the prediction of target task using more relevant and transferable source information. The proposed method employs a density-driven selection strategy to choose source samples during training and to determine which source models should contribute to target prediction. Simulteneously, a pseudo-label enhancement module built on a pre-trained multimodal modal is employed to mitigate target label noise and improve self-supervision. Experiments on real-world datasets indicate the superiority of the proposed method.
• Abstract（参考訳）: 教師なしマルチドメイン適応は、複数のソースドメインから取得したリッチソース情報を活用して、ラベルのないターゲットドメインからターゲットタスクを解決することによって、トランスファーラーニングにおいて重要な役割を果たす。 しかし、複数のソースドメインは、特に大規模なソースドメイン設定の場合、転送性能に悪影響を及ぼす余分な情報や無関係な情報を含むことが多い。 目的とする課題に対処するために、大量のソースドメインから最も伝達しやすい知識を特定し、選択するための効果的な戦略を開発することが急務である。 本稿では、ソーストレーニングサンプルとモデルを自動で選択し、より関連性があり、転送可能なソース情報を用いてターゲットタスクの予測を可能にする、複数のドメイン適応手法である \underline{\textit{Auto}}nomous Source Knowledge \underline{\textit{S}}election (AutoS)を提案する。 提案手法は, トレーニング中のソースサンプルの選択と, ターゲット予測にどのソースモデルが寄与するかを決定するために, 密度駆動選択方式を用いる。 同時に、事前訓練されたマルチモーダルモーダル上に構築された擬似ラベル拡張モジュールを用いて、目標ラベルノイズを緩和し、自己監督を改善する。 実世界のデータセットに対する実験は,提案手法の優位性を示している。

関連論文リスト

• Progressive Multi-Source Domain Adaptation for Personalized Facial Expression Recognition [64.37805399216347]
  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。
  論文  参考訳（メタデータ） (2025-04-05T19:14:51Z)
• Revisiting the Domain Shift and Sample Uncertainty in Multi-source Active Domain Transfer [69.82229895838577]
  Active Domain Adaptation (ADA)は、アノテートするターゲットデータの限られた数を選択することで、新しいターゲットドメインにおけるモデル適応を最大限に向上することを目的としている。 この設定は、複数のソースからトレーニングデータを収集するより実践的なシナリオを無視します。 これは、ADAを単一のソースドメインから複数のソースドメインに拡張する、新しい、挑戦的な知識転送の設定を目標にしています。
  論文  参考訳（メタデータ） (2023-11-21T13:12:21Z)
• 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)
• Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
  我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。 DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。 擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-06-30T03:17:20Z)
• Curriculum Manager for Source Selection in Multi-Source Domain Adaptation [65.22251010276652]
  CMSS(Curriculum Manager for Source Selection)と呼ばれる,ソースサンプルの動的カリキュラムを学習する逆エージェントを提案する。 CMSSはドメインラベルの知識を一切必要としないが、よく知られた4つのベンチマークの他の手法よりもかなり優れている。
  論文  参考訳（メタデータ） (2020-07-02T17:15:01Z)
• Multi-source Attention for Unsupervised Domain Adaptation [15.900069711477542]
  ソース選択をアテンション学習問題としてモデル化し、特定のターゲットインスタンスのソースに対してアテンションを学習する。 この目的のために、まずソース固有の分類モデルと、ソースとターゲットドメイン間の関連性マップを独立に学習する。 次に、ソース固有のモデルの予測を集約するソースについて、注目度を学習する。
  論文  参考訳（メタデータ） (2020-04-14T15:51:02Z)

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。