論文の概要: Rethinking the Flow-Based Gradual Domain Adaption: A Semi-Dual Optimal Transport Perspective

• arxiv url: http://arxiv.org/abs/2602.01179v1
• Date: Sun, 01 Feb 2026 12:07:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.646801
• Title: Rethinking the Flow-Based Gradual Domain Adaption: A Semi-Dual Optimal Transport Perspective
• Title（参考訳）: フローベース手動ドメイン適応の再考:半次元最適輸送視点
• Authors: Zhichao Chen, Zhan Zhuang, Yunfei Teng, Hao Wang, Fangyikang Wang, Zhengnan Li, Tianqiao Liu, Haoxuan Li, Zhouchen Lin,
• Abstract要約: 中間領域を構築するためのエントロピー規則化半二重不均衡最適輸送(E-SUOT)フレームワークを提案する。 具体的には、フローベースGDAをラグランジアン双対問題として再構成し、確率推定の必要性を回避するための等価な半双対目的を導出する。
• 参考スコア（独自算出の注目度）: 47.7700613919136
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gradual domain adaptation (GDA) aims to mitigate domain shift by progressively adapting models from the source domain to the target domain via intermediate domains. However, real intermediate domains are often unavailable or ineffective, necessitating the synthesis of intermediate samples. Flow-based models have recently been used for this purpose by interpolating between source and target distributions; however, their training typically relies on sample-based log-likelihood estimation, which can discard useful information and thus degrade GDA performance. The key to addressing this limitation is constructing the intermediate domains via samples directly. To this end, we propose an Entropy-regularized Semi-dual Unbalanced Optimal Transport (E-SUOT) framework to construct intermediate domains. Specifically, we reformulate flow-based GDA as a Lagrangian dual problem and derive an equivalent semi-dual objective that circumvents the need for likelihood estimation. However, the dual problem leads to an unstable min-max training procedure. To alleviate this issue, we further introduce entropy regularization to convert it into a more stable alternative optimization procedure. Based on this, we propose a novel GDA training framework and provide theoretical analysis in terms of stability and generalization. Finally, extensive experiments are conducted to demonstrate the efficacy of the E-SUOT framework.
• Abstract（参考訳）: グラデーショナルドメイン適応(GDA)は、ソースドメインから中間ドメインを介してターゲットドメインへのモデルを段階的に適応することで、ドメインシフトを軽減することを目的としている。 しかし、実際の中間ドメインは、しばしば利用できないか非有効であり、中間サンプルの合成を必要とする。 フローベースモデルは、最近、ソースとターゲットの分布を補間することで、この目的のために使われてきたが、そのトレーニングは通常、サンプルベースのログライクな推定に依存しており、有用な情報を捨てて、GDA性能を低下させることができる。 この制限に対処する鍵は、サンプルから直接中間ドメインを構築することである。 この目的のために,中間領域を構築するためのエントロピー規則化半二重最適輸送(E-SUOT)フレームワークを提案する。 具体的には、フローベースGDAをラグランジアン双対問題として再構成し、確率推定の必要性を回避するための等価な半双対目的を導出する。 しかし、二重問題は不安定な min-max トレーニング手順につながる。 この問題を緩和するために、エントロピー正規化を導入し、より安定した代替最適化手順に変換する。 そこで本研究では,新しいGDAトレーニングフレームワークを提案し,安定性と一般化の観点から理論的解析を行う。 最後に,E-SUOTフレームワークの有効性を示すため,広範囲な実験を行った。

関連論文リスト

• Variance Matters: Improving Domain Adaptation via Stratified Sampling [1.7188280334580195]
  本稿では,ドメイン階層化サンプリング(VaRDASS)による可変化適応を提案する。 VaRDASSは、UDAの最初の特殊分散低減技術である。 3つの領域シフトデータセットの実験により、差分推定精度が向上し、対象領域のパフォーマンスが向上した。
  論文  参考訳（メタデータ） (2025-12-04T20:01:04Z)
• GDO:Gradual Domain Osmosis [5.620015188968398]
  本稿では,GDA(Gradual Domain Adaptation)において,ソースドメインからターゲットドメインへのスムーズな知識マイグレーションの問題を解決することを目的とした,Gradual Domain Osmosisと呼ばれる新しい手法を提案する。 従来のGradual Domain Adaptationメソッドは、中間ドメインの導入と自己学習戦略によってドメインバイアスを軽減するが、多くの場合、中間ドメインにおける非効率的な知識マイグレーションや欠落データといった課題に直面している。
  論文  参考訳（メタデータ） (2025-01-31T14:25:45Z)
• Gradual Domain Adaptation: Theory and Algorithms [13.985514966000189]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)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へのモデルをワンオフで適応する。 本研究ではまず,GDAアルゴリズムである漸進的な自己学習を理論的に解析し,より優れた一般化バウンダリを提供する。 我々は、$textbfG$enerative Gradual D$textbfO$main $textbfA$daptation with Optimal $textbfT$ransport (GOAT)を提案する。
  論文  参考訳（メタデータ） (2023-10-20T23:02:08Z)
• Gradual Domain Adaptation via Self-Training of Auxiliary Models [50.63206102072175]
  ソースとターゲットドメイン間のギャップを増やすことで、ドメイン適応はより難しくなります。 中間領域のモデルを学習する補助モデル(AuxSelfTrain)の自己学習を提案する。 教師なしおよび半教師付きドメイン適応のベンチマークデータセットの実験は、その有効性を検証する。
  論文  参考訳（メタデータ） (2021-06-18T03:15:25Z)
• KL Guided Domain Adaptation [88.19298405363452]
  ドメイン適応は重要な問題であり、現実世界のアプリケーションにしばしば必要である。 ドメイン適応文学における一般的なアプローチは、ソースとターゲットドメインに同じ分布を持つ入力の表現を学ぶことである。 確率的表現ネットワークにより、KL項はミニバッチサンプルにより効率的に推定できることを示す。
  論文  参考訳（メタデータ） (2021-06-14T22:24:23Z)
• Model-Based Domain Generalization [96.84818110323518]
  本稿では,モデルベースドメイン一般化問題に対する新しいアプローチを提案する。 我々のアルゴリズムは、最新のwildsベンチマークの最先端手法を最大20ポイント上回った。
  論文  参考訳（メタデータ） (2021-02-23T00:59:02Z)
• 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)
• 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。