論文の概要: ProCal: Probability Calibration for Neighborhood-Guided Source-Free Domain Adaptation

• arxiv url: http://arxiv.org/abs/2603.18764v1
• Date: Thu, 19 Mar 2026 11:18:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.108531
• Title: ProCal: Probability Calibration for Neighborhood-Guided Source-Free Domain Adaptation
• Title（参考訳）: ProCal: 近傍誘導型ソースフリードメイン適応の確率校正
• Authors: Ying Zheng, Yiyi Zhang, Yi Wang, Lap-Pui Chau,
• Abstract要約: Source-Free Domain Adaptation (SFDA)は、ソースデータへのアクセスを必要とせずに、未ラベルのターゲットドメインに事前トレーニングされたモデルを適用する。 ProCalは、近隣の予測を動的に校正する確率校正手法である。
• 参考スコア（独自算出の注目度）: 19.75458355825581
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Source-Free Domain Adaptation (SFDA) adapts pre-trained models to unlabeled target domains without requiring access to source data. Although state-of-the-art methods leveraging local neighborhood structures show promise for SFDA, they tend to over-rely on prediction similarity among neighbors. This over-reliance accelerates the forgetting of source knowledge and increases susceptibility to local noise overfitting. To address these issues, we introduce ProCal, a probability calibration method that dynamically calibrates neighborhood-based predictions through a dual-model collaborative prediction mechanism. ProCal integrates the source model's initial predictions with the current model's online outputs to effectively calibrate neighbor probabilities. This strategy not only mitigates the interference of local noise but also preserves the discriminative information from the source model, thereby achieving a balance between knowledge retention and domain adaptation. Furthermore, we design a joint optimization objective that combines a soft supervision loss with a diversity loss to guide the target model. Our theoretical analysis shows that ProCal converges to an equilibrium where source knowledge and target information are effectively fused, reducing both knowledge forgetting and overfitting. We validate the effectiveness of our approach through extensive experiments on 31 cross-domain tasks across four public datasets. Our code is available at: https://github.com/zhengyinghit/ProCal.
• Abstract（参考訳）: Source-Free Domain Adaptation (SFDA)は、ソースデータへのアクセスを必要とせずに、未ラベルのターゲットドメインに事前トレーニングされたモデルを適用する。 地域構造を利用した最先端の手法は、FDAにとって有望であるが、近隣諸国の予測類似性に過度に依存する傾向にある。 この過度信頼は、ソース知識の忘れを加速し、局所的な雑音過度への感受性を高める。 これらの問題に対処するため,確率校正手法であるProCalを導入する。 ProCalは、ソースモデルの初期の予測と現在のモデルのオンライン出力を統合して、近隣の確率を効果的に調整する。 この戦略は、局所雑音の干渉を緩和するだけでなく、ソースモデルからの識別情報を保存し、知識保持とドメイン適応のバランスをとる。 さらに,ソフト監視損失と多様性損失を組み合わせた共同最適化目標を設計し,対象モデルを導出する。 理論的解析により,ProCalはソース知識とターゲット情報を効果的に融合した平衡に収束し,知識の忘れ込みと過度な適合を減らした。 提案手法の有効性は、4つの公開データセットにわたる31のクロスドメインタスクに関する広範な実験を通じて検証する。 私たちのコードは、https://github.com/zhengyinghit/ProCal.comで利用可能です。

関連論文リスト

• Source-Free Domain Adaptation by Optimizing Batch-Wise Cosine Similarity [30.682512753920193]
  Source-Free Domain Adaptationは、ラベル付きソースドメインでトレーニングされたモデルを、ソースデータにアクセスすることなくラベルなし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。 この領域で成功した手法のほとんどは、近隣の整合性の概念に依存しているが、誤認を招きやすいため、誤りを生じやすい。 対象領域におけるサンプルの類似性と相似性を最適化するために, 単一損失項のみを用いて適応を実現できることを示す。
  論文  参考訳（メタデータ） (2026-01-24T10:51:25Z)
• Multiclass Alignment of Confidence and Certainty for Network Calibration [10.15706847741555]
  最近の研究では、ディープニューラルネットワーク(DNN)が過信的な予測を行う傾向があることが示されている。 予測平均信頼度と予測確実性(MACC)の多クラスアライメントとして知られる簡易なプラグアンドプレイ補助損失を特徴とする列車時キャリブレーション法を提案する。 本手法は,領域内および領域外両方のキャリブレーション性能を実現する。
  論文  参考訳（メタデータ） (2023-09-06T00:56:24Z)
• Cal-SFDA: Source-Free Domain-adaptive Semantic Segmentation with Differentiable Expected Calibration Error [50.86671887712424]
  ドメイン適応型セマンティックセグメンテーションの流行は、ソースドメインデータの漏洩に関する懸念を引き起こしている。 ソースデータの要求を回避するため、ソースフリーなドメイン適応が実現可能なソリューションとして登場した。 校正誘導型ソースフリーなドメイン適応型セマンティックセマンティックセマンティクスフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-06T03:28:34Z)
• PseudoCal: A Source-Free Approach to Unsupervised Uncertainty Calibration in Domain Adaptation [87.69789891809562]
  非教師なしドメイン適応(UDA)は、未ラベルのターゲットドメインのモデルの精度を向上する顕著な進歩を目撃している。 UDAモデルの安全な配置の重要な側面であるターゲット領域における予測不確実性の校正は、あまり注目されていない。 PseudoCalは、ラベルのないターゲットデータにのみ依存するソースフリーキャリブレーション手法である。
  論文  参考訳（メタデータ） (2023-07-14T17:21:41Z)
• CoSDA: Continual Source-Free Domain Adaptation [78.47274343972904]
  ソースデータにアクセスせずに、ソースフリードメイン適応(SFDA)は、ソースドメインのトレーニングされたモデルからターゲットドメインに知識を転送する。 最近では、ソースドメインのデータプライバシ保護の必要性から、SFDAの人気が高まっている。 教師-学生モデルペアを2倍高速に最適化し,整合性学習機能を備えた,CoSDAという連続的ソースフリードメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2023-04-13T15:53:23Z)
• Conformal Inference for Online Prediction with Arbitrary Distribution Shifts [1.2277343096128712]
  我々は、データを生成する分布が時間とともに変化するオンライン環境において、予測セットを形成するという問題を考察する。 与えられた幅のすべての局所時間間隔に対して,確実に小さな後悔を伴う新規な手順を開発する。 我々は、株式市場のボラティリティと新型コロナウイルス(COVID-19)のケース数を予測するために、2つの実世界のデータセットで、我々の技術を試した。
  論文  参考訳（メタデータ） (2022-08-17T16:51:12Z)
• Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
  ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。 本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
  論文  参考訳（メタデータ） (2022-08-16T08:03:30Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。