論文の概要: Information Maximization for Long-Tailed Semi-Supervised Domain Generalization

• arxiv url: http://arxiv.org/abs/2603.08434v1
• Date: Mon, 09 Mar 2026 14:32:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:16.205416
• Title: Information Maximization for Long-Tailed Semi-Supervised Domain Generalization
• Title（参考訳）: 長期半監督領域一般化のための情報最大化
• Authors: Leo Fillioux, Omprakash Chakraborty, Quentin Gopée, Pierre Marza, Paul-Henry Cournède, Stergios Christodoulidis, Maria Vakalopoulou, Ismail Ben Ayed, Jose Dolz,
• Abstract要約: ラベル付きデータが少ないがラベル付きサンプルが豊富である場合、半教師付き領域一般化はドメイン一般化に取り組むための魅力的な代替手段として現れてきた。 本稿では,SSDGのシナリオに適応したInfoMaxの原理に基づく,シンプルで効果的な目的であるIMaXを提案する。 我々の定式化は、MIの標準辺のエントロピー項で符号化されたクラスバランスバイアスを緩和する-エントロピー的目的を統合し、任意のクラス分布の扱いをより良くする。
• 参考スコア（独自算出の注目度）: 30.470443666380365
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semi-supervised domain generalization (SSDG) has recently emerged as an appealing alternative to tackle domain generalization when labeled data is scarce but unlabeled samples across domains are abundant. In this work, we identify an important limitation that hampers the deployment of state-of-the-art methods on more challenging but practical scenarios. In particular, state-of-the-art SSDG severely suffers in the presence of long-tailed class distributions, an arguably common situation in real-world settings. To alleviate this limitation, we propose IMaX, a simple yet effective objective based on the well-known InfoMax principle adapted to the SSDG scenario, where the Mutual Information (MI) between the learned features and latent labels is maximized, constrained by the supervision from the labeled samples. Our formulation integrates an α-entropic objective, which mitigates the class-balance bias encoded in the standard marginal entropy term of the MI, thereby better handling arbitrary class distributions. IMaX can be seamlessly plugged into recent state-of-the-art SSDG, consistently enhancing their performance, as demonstrated empirically across two different image modalities.
• Abstract（参考訳）: 半教師付きドメイン一般化(SSDG)は、ラベル付きデータが乏しいが、ドメイン間のラベル付きサンプルが豊富である場合に、ドメインの一般化に取り組むための魅力的な代替手段として最近登場した。 本研究では,より困難で実用的なシナリオにおいて,最先端のメソッドの展開を阻害する重要な制限を特定する。 特に、最先端のSSDGは、現実世界の環境では間違いなく一般的な状況である、長い尾のクラス分布の存在に苦しむ。 この制限を緩和するために, SSDGシナリオに適応したよく知られたInfoMax原則に基づく, 単純かつ効果的な目的であるIMaXを提案し, ラベル付きサンプルの監督によって学習特徴と潜伏ラベルの相互情報(MI)を最大化する。 我々の定式化は、MIの標準辺縁エントロピー項に符号化されたクラスバランスバイアスを緩和するαエントロピーの目的を統合し、任意のクラス分布の扱いをより良くする。 IMaXは最近の最先端SSDGにシームレスに接続でき、2つの異なる画像モダリティで実証的に示されるように、その性能を一貫して向上させることができる。

関連論文リスト

• SemAlign: Language Guided Semi-supervised Domain Generalization [0.6449696427299687]
  半教師付きドメイン一般化は、限られたラベル付きデータで見えないターゲットドメインに一般化するという課題に対処する。 SSDGの文献がPLの精度に過度に注力していることは、トレーニング中のデータ利用の最大化を考慮せずに、潜在的な性能改善を制限していることを示している。 本稿では,本モデルの中間的特徴を視覚言語モデルの意味的にリッチで一般化された特徴空間と整合させることにより,SSDG問題に対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2026-01-16T19:16:45Z)
• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• FedSemiDG: Domain Generalized Federated Semi-supervised Medical Image Segmentation [19.87797382888023]
  医用画像の多様性とラベル付きデータの欠如により、医用画像のセグメンテーションは困難である。 本稿では,FedSemiDGの課題に対処するため,FGASL(Federated Generalization-Aware Semi Supervised Learning)という新しいフレームワークを提案する。 提案手法は最先端のFSSLおよびドメインの一般化手法を著しく上回り,未確認領域に対する堅牢な一般化を実現している。
  論文  参考訳（メタデータ） (2025-01-13T14:54:49Z)
• CAT: Class Aware Adaptive Thresholding for Semi-Supervised Domain Generalization [0.989976359821412]
  ドメインの一般化は、ドメインのシフトがあっても、ソースドメインから目に見えないターゲットドメインに知識を移そうとします。 本稿では,限定ラベル付きデータを用いた半教師付き学習を利用して,ドメインシフト下での競合一般化性能を実現する手法CATを提案する。 提案手法では、フレキシブルしきい値を用いて、高いクラス多様性を持つ高品質な擬似ラベルを生成しながら、ノイズの多い擬似ラベルを精製し、信頼性を向上させる。
  論文  参考訳（メタデータ） (2024-12-11T15:47:01Z)
• DGMamba: Domain Generalization via Generalized State Space Model [80.82253601531164]
  ドメイン一般化(DG)は、様々な場面における分散シフト問題を解決することを目的としている。 Mambaは、新興状態空間モデル(SSM)として、より優れた線形複雑性と大域的受容場を持つ。 本稿では,DGMamba という新たな DG フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-11T14:35:59Z)
• Semi-Supervised Domain Generalization with Stochastic StyleMatch [90.98288822165482]
  実世界のアプリケーションでは、アノテーションのコストが高いため、各ソースドメインから利用可能なラベルはわずかです。 本研究では,より現実的で実践的な半教師付き領域一般化について検討する。 提案手法であるStyleMatchは,擬似ラベルに基づく最先端の半教師付き学習手法であるFixMatchに着想を得たものである。
  論文  参考訳（メタデータ） (2021-06-01T16:00:08Z)
• Generalizable Representation Learning for Mixture Domain Face Anti-Spoofing [53.82826073959756]
  ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。 ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。 この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T06:04:59Z)
• 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)

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。