論文の概要: C-DGPA: Class-Centric Dual-Alignment Generative Prompt Adaptation
- arxiv url: http://arxiv.org/abs/2512.16164v1
- Date: Thu, 18 Dec 2025 04:30:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-19 18:10:31.911485
- Title: C-DGPA: Class-Centric Dual-Alignment Generative Prompt Adaptation
- Title（参考訳）: C-DGPA: クラス中心のデュアルアライメント生成プロンプト適応
- Authors: Chao Li, Dasha Hu, Chengyang Li, Yuming Jiang, Yuncheng Shen,
- Abstract要約: 教師なしドメイン適応(Unsupervised Domain Adaptation)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。
既存のプロンプトチューニング戦略は、主に限界分布の相違と一致している。
C-DGPAは、ドメインノウルエッジをシナジスティック最適化による即時学習に統合する。
すべてのベンチマークで最新の結果が得られます。
- 参考スコア（独自算出の注目度）: 8.824565305964406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised Domain Adaptation transfers knowledge from a labeled source domain to an unlabeled target domain. Directly deploying Vision-Language Models (VLMs) with prompt tuning in downstream UDA tasks faces the signifi cant challenge of mitigating domain discrepancies. Existing prompt-tuning strategies primarily align marginal distribu tion, but neglect conditional distribution discrepancies, lead ing to critical issues such as class prototype misalignment and degraded semantic discriminability. To address these lim itations, the work proposes C-DGPA: Class-Centric Dual Alignment Generative Prompt Adaptation. C-DGPA syner gistically optimizes marginal distribution alignment and con ditional distribution alignment through a novel dual-branch architecture. The marginal distribution alignment branch em ploys a dynamic adversarial training framework to bridge marginal distribution discrepancies. Simultaneously, the con ditional distribution alignment branch introduces a Class Mapping Mechanism (CMM) to align conditional distribu tion discrepancies by standardizing semantic prompt under standing and preventing source domain over-reliance. This dual alignment strategy effectively integrates domain knowl edge into prompt learning via synergistic optimization, ensur ing domain-invariant and semantically discriminative repre sentations. Extensive experiments on OfficeHome, Office31, and VisDA-2017 validate the superiority of C-DGPA. It achieves new state-of-the-art results on all benchmarks.
- Abstract（参考訳）: 教師なしドメイン適応(Unsupervised Domain Adaptation)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。
VLM(Vision-Language Models)を直接デプロイし、下流のUDAタスクで迅速なチューニングを行う。
既存のプロンプトチューニング戦略は、主に限界分散を一致させるが、条件分布の相違を無視し、クラスプロトタイプのミスアライメントや劣化した意味的差別性といった重要な問題に繋がる。
C-DGPA: Class-Centric Dual Alignment Generative Prompt Adaptationを提案する。
C-DGPAシンセサイザーは、新しいデュアルブランチアーキテクチャにより、境界分布アライメントと対数分布アライメントを理論的に最適化する。
境界分布アライメントブランチは、境界分布の相違を橋渡しするための動的対向トレーニングフレームワークをエムプロットする。
同時に、同調分布アライメントブランチは、ソースドメインの過度な信頼の下で意味的なプロンプトを標準化し、条件分布の差異を調整するためのクラスマッピングメカニズム(CMM)を導入している。
この二重アライメント戦略は、ドメインノウルエッジをシナジスティックな最適化、ドメイン不変性の保証、意味的に識別されたリフレの送出による即時学習に効果的に統合する。
OfficeHome、Office31、VisDA-2017の大規模な実験は、C-DGPAの優位性を検証する。
すべてのベンチマークで最新の結果が得られます。
関連論文リスト
- Guidance Not Obstruction: A Conjugate Consistent Enhanced Strategy for Domain Generalization [50.04665252665413]
ドメイン内のクラス間での差別的一般化の獲得が不可欠である。
分布の整合性を求めるのとは対照的に、ドメイン関係の階級間差別を保護しようと努力する。
我々は,新たな分布レベルのUniversum戦略を用いて,追加的なドメイン関係のクラス条件分布を生成する。
論文 参考訳（メタデータ） (2024-12-13T12:25:16Z) - Prompt-based Distribution Alignment for Unsupervised Domain Adaptation [42.77798810726824]
教師なし学習型視覚言語モデル(VLM)は、ソースドメインとターゲットドメイン間の分布差を著しく低減できることを示す。
このようなモデルを下流のUDAタスクに直接デプロイする上での大きな課題は、迅速なエンジニアリングである。
本稿では,ドメイン知識を素早い学習に組み込むためのPDA手法を提案する。
論文 参考訳（メタデータ） (2023-12-15T06:15:04Z) - Bi-discriminator Domain Adversarial Neural Networks with Class-Level
Gradient Alignment [87.8301166955305]
そこで本研究では,クラスレベルのアライメントアライメントを有するバイディミネータドメイン対向ニューラルネットワークを提案する。
BACGは、領域分布の整合性を改善するために勾配信号と二階確率推定を利用する。
さらに、対照的な学習にインスパイアされ、トレーニングプロセスを大幅に短縮できるメモリバンクベースの変種であるFast-BACGを開発した。
論文 参考訳（メタデータ） (2023-10-21T09:53:17Z) - CASUAL: Conditional Support Alignment for Domain Adaptation with Label Shift [9.2929174544214]
教師なしドメイン適応(Unsupervised domain adapt, UDA)とは、ソースドメインのラベル付きサンプルとターゲットドメインのラベルなしサンプルに基づいて学習モデルをトレーニングするドメイン適応フレームワークである。
そこで本稿では,条件付き適応型Support alignment (CASUAL) を提案する。
論文 参考訳（メタデータ） (2023-05-29T05:20:18Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-12T06:11:16Z) - Margin Preserving Self-paced Contrastive Learning Towards Domain
Adaptation for Medical Image Segmentation [51.93711960601973]
クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。
プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。
クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
論文 参考訳（メタデータ） (2021-03-15T15:23:10Z) - Discriminative Feature Alignment: Improving Transferability of
Unsupervised Domain Adaptation by Gaussian-guided Latent Alignment [27.671964294233756]
本研究では,ラベル付きデータ領域から近似推論モデルを学習するための教師なし領域適応問題に着目した。
教師なしのドメイン適応の成功は、主にクロスドメイン機能アライメントに依存している。
本稿では,2つの領域の潜在特徴分布を事前分布の導出の下で整列するガウス誘導型潜時アライメント手法を提案する。
そのような間接的な方法では、2つの領域からのサンプル上の分布は共通の特徴空間、すなわち前の領域の空間上に構築される。
論文 参考訳（メタデータ） (2020-06-23T05:33:54Z) - Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。
従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。
本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
論文 参考訳（メタデータ） (2020-02-12T09:45:39Z)
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。