論文の概要: Beyond Mapping : Domain-Invariant Representations via Spectral Embedding of Optimal Transport Plans

• arxiv url: http://arxiv.org/abs/2601.13350v1
• Date: Mon, 19 Jan 2026 19:38:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.036915
• Title: Beyond Mapping : Domain-Invariant Representations via Spectral Embedding of Optimal Transport Plans
• Title（参考訳）: マッピングを超えて : 最適輸送計画のスペクトル埋め込みによるドメイン不変表現
• Authors: Abdel Djalil Sad Saoud, Fred Maurice Ngolè Mboula, Hanane Slimani,
• Abstract要約: 本稿では、ソースとターゲットドメインを接続する二部グラフの隣接行列として、スムーズな輸送計画の解釈を提案する。 我々は,音楽ジャンル認識,音楽音声識別,電線欠陥検出,分類タスクのための音響適応ベンチマークの評価を行った。
• 参考スコア（独自算出の注目度）: 3.075071396300441
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distributional shifts between training and inference time data remain a central challenge in machine learning, often leading to poor performance. It motivated the study of principled approaches for domain alignment, such as optimal transport based unsupervised domain adaptation, that relies on approximating Monge map using transport plans, which is sensitive to the transport problem regularization strategy and hyperparameters, and might yield biased domains alignment. In this work, we propose to interpret smoothed transport plans as adjacency matrices of bipartite graphs connecting source to target domain and derive domain-invariant samples' representations through spectral embedding. We evaluate our approach on acoustic adaptation benchmarks for music genre recognition, music-speech discrimination, as well as electrical cable defect detection and classification tasks using time domain reflection in different diagnosis settings, achieving overall strong performances.
• Abstract（参考訳）: トレーニングと推論時間データの分散シフトは、マシンラーニングにおいて依然として中心的な課題であり、パフォーマンスの低下につながることが多い。 これは、輸送問題正規化戦略やハイパーパラメータに敏感な輸送計画を用いたモンジュマップの近似に依拠し、バイアスのあるドメインアライメントをもたらす、最適な輸送に基づく教師なしドメインアライメントのような、ドメインアライメントの原則的なアプローチの研究を動機付けている。 本研究では,対象領域にソースを接続する二部グラフの隣接行列としてスムーズな輸送計画の解釈と,スペクトル埋め込みによる領域不変サンプル表現の導出を提案する。 我々は,音楽ジャンルの認識,音楽音声の識別,および,異なる診断環境における時間領域リフレクションを用いたケーブル欠陥検出および分類タスクの音響適応ベンチマークに対するアプローチを評価し,全体的な強靭な性能を実現する。

関連論文リスト

• Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications [64.20396555814513]
  本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。 我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。 MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-24T19:04:49Z)
• CHATTY: Coupled Holistic Adversarial Transport Terms with Yield for Unsupervised Domain Adaptation [1.87446486236017]
  我々はCHATTYと呼ばれる新しい手法を提案する。 敵対的トレーニングは、ニューラルネットワークの特徴抽出層をトレーニングするために、ドメイン判別器ヘッドからの勾配を反転させることで、ドメイン不変表現の学習に一般的に使用される。 本稿では,ソースとターゲットドメインの出力を学習可能な方法で置き換えるサブネットワークを提案する。
  論文  参考訳（メタデータ） (2023-04-19T13:00:23Z)
• Label Alignment Regularization for Distribution Shift [63.228879525056904]
  最近の研究は、教師あり学習におけるラベルアライメント特性(LAP)を強調している。 対象領域の予測と最上位特異ベクトルとのアライメントを促進する非教師なし領域適応の正規化法を提案する。 MNIST-USPSドメイン適応や言語間感情分析などのよく知られたタスクにおいて、ドメイン適応ベースラインよりもパフォーマンスが向上したことを報告した。
  論文  参考訳（メタデータ） (2022-11-27T22:54:48Z)
• Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring Network [58.05473757538834]
  本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。 3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-07-27T14:47:24Z)

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。