論文の概要: Learning Fair Domain Adaptation with Virtual Label Distribution

• arxiv url: http://arxiv.org/abs/2601.18171v1
• Date: Mon, 26 Jan 2026 05:48:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.693583
• Title: Learning Fair Domain Adaptation with Virtual Label Distribution
• Title（参考訳）: 仮想ラベル分布を用いたフェアドメイン適応学習
• Authors: Yuguang Zhang, Lijun Sheng, Jian Liang, Ran He,
• Abstract要約: Unsupervised Domain Adaptation (UDA)は、異なるディストリビューションからトレーニングとテストデータのサンプリングを行う際のパフォーマンス劣化を軽減することを目的としている。 本稿では,VILL(Virtual Label-Distribution-Aware Learning)を提案する。
• 参考スコア（独自算出の注目度）: 35.20492905112689
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised Domain Adaptation (UDA) aims to mitigate performance degradation when training and testing data are sampled from different distributions. While significant progress has been made in enhancing overall accuracy, most existing methods overlook performance disparities across categories-an issue we refer to as category fairness. Our empirical analysis reveals that UDA classifiers tend to favor certain easy categories while neglecting difficult ones. To address this, we propose Virtual Label-distribution-aware Learning (VILL), a simple yet effective framework designed to improve worst-case performance while preserving high overall accuracy. The core of VILL is an adaptive re-weighting strategy that amplifies the influence of hard-to-classify categories. Furthermore, we introduce a KL-divergence-based re-balancing strategy, which explicitly adjusts decision boundaries to enhance category fairness. Experiments on commonly used datasets demonstrate that VILL can be seamlessly integrated as a plug-and-play module into existing UDA methods, significantly improving category fairness.
• Abstract（参考訳）: Unsupervised Domain Adaptation (UDA)は、異なるディストリビューションからトレーニングとテストデータのサンプリングを行う際のパフォーマンス劣化を軽減することを目的としている。 全体的な精度の向上には大きな進歩があったが、既存の手法のほとんどは、カテゴリ間でのパフォーマンス格差を無視している。 実験分析の結果, UDA分類器は, 難易度を無視しながら, 容易に分類できる傾向が示唆された。 そこで本研究では,VILL(Virtual Label-Distribution-Aware Learning)を提案する。 VILLの中核は適応的な再重み付け戦略であり、分類の難しいカテゴリの影響を増幅する。 さらに、KL分割に基づく再バランス戦略を導入し、決定境界を明示的に調整し、カテゴリーの公平性を高める。 一般的なデータセットの実験では、VILLがプラグイン・アンド・プレイモジュールとして既存のUDAメソッドにシームレスに統合できることが示され、カテゴリの公平性が大幅に向上した。

関連論文リスト

• Optimal Learning from Label Proportions with General Loss Functions [33.827617632719864]
  本稿では,ラベル情報から学習する新奇で多用途な低分散デバイアス手法を提案する。 提案手法は,実用的な損失関数の幅広いスペクトルをシームレスに収容する,顕著な柔軟性を示す。 提案手法の有効性を様々なベンチマークデータセットで実証的に検証する。
  論文  参考訳（メタデータ） (2025-09-18T16:53:32Z)
• Gradient-based Class Weighting for Unsupervised Domain Adaptation in Dense Prediction Visual Tasks [3.776249047528669]
  本稿では,クラスウェイトをUDA学習損失に組み込んだクラスバランス緩和戦略を提案する。 損失勾配を通してこれらの重みを動的に推定する斬新さは、グラディエントに基づくクラス重み付け(GBW)学習を定義する。 GBWは、大きな表現されたクラスによって学習が妨げられるクラスの貢献を自然に増大させる。
  論文  参考訳（メタデータ） (2024-07-01T14:34:25Z)
• Enhancing cross-domain detection: adaptive class-aware contrastive transformer [15.666766743738531]
  対象領域の不十分なラベルは、クラス不均衡とモデル性能劣化の問題を悪化させる。 逆学習と平均教師フレームワークに基づくクラス対応クロスドメイン検出変換器を提案する。
  論文  参考訳（メタデータ） (2024-01-24T07:11:05Z)
• Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
  最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。 本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。 そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-12-07T18:37:43Z)
• Better Practices for Domain Adaptation [62.70267990659201]
  ドメイン適応(DA)は、ラベルを使わずに、モデルを配置データに適用するためのフレームワークを提供することを目的としている。 DAの明確な検証プロトコルは、文献の悪い実践につながっている。 ドメイン適応手法の3つの分野にまたがる課題を示す。
  論文  参考訳（メタデータ） (2023-09-07T17:44:18Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• Semi-Supervised Semantic Segmentation via Adaptive Equalization Learning [20.66927648806676]
  適応等化学習(AEL)と呼ばれる半教師付きセマンティックセグメンテーションのための新しいフレームワークを提案する。 AELは、高い評価と悪い評価を受けたカテゴリのトレーニングのバランスをとり、信頼性銀行はカテゴリワイドのパフォーマンスを追跡する。 AELは、CityscapesとPascal VOCベンチマークにおいて最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2021-10-11T17:59:55Z)
• Selective Pseudo-Labeling with Reinforcement Learning for Semi-Supervised Domain Adaptation [116.48885692054724]
  半教師付きドメイン適応のための強化学習に基づく選択擬似ラベル法を提案する。 高精度かつ代表的な擬似ラベルインスタンスを選択するための深層Q-ラーニングモデルを開発する。 提案手法は, SSDAのベンチマークデータセットを用いて評価し, 全ての比較手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-12-07T03:37:38Z)
• Adaptive Adversarial Logits Pairing [65.51670200266913]
  逆行訓練ソリューションであるAdversarial Logits Pairing (ALP)は、脆弱なものに比べて、高い貢献度を少なくする傾向にある。 これらの観測により,適応型対数対数対数対数対数対数法 (AALP) を設計し,ALPのトレーニングプロセスとトレーニングターゲットを変更する。 AALPは適応的な機能最適化モジュールと Guided Dropout から構成されており、より少ない高コントリビューション機能を体系的に追求する。
  論文  参考訳（メタデータ） (2020-05-25T03:12:20Z)

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。