論文の概要: Learning from Synthetic Data via Provenance-Based Input Gradient Guidance

• arxiv url: http://arxiv.org/abs/2604.02946v1
• Date: Fri, 03 Apr 2026 10:28:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.445087
• Title: Learning from Synthetic Data via Provenance-Based Input Gradient Guidance
• Title（参考訳）: Provenance-based Input Gradient Guidance を用いた合成データからの学習
• Authors: Koshiro Nagano, Ryo Fujii, Ryo Hachiuma, Fumiaki Sato, Taiki Sekii, Hideo Saito,
• Abstract要約: 本稿では,学習データ合成過程において得られた証明情報を利用する学習フレームワークを提案する。 非ターゲット領域への依存を抑え、ターゲット領域に対する識別的表現の学習を直接促進する。
• 参考スコア（独自算出の注目度）: 20.985457963760997
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning methods using synthetic data have attracted attention as an effective approach for increasing the diversity of training data while reducing collection costs, thereby improving the robustness of model discrimination. However, many existing methods improve robustness only indirectly through the diversification of training samples and do not explicitly teach the model which regions in the input space truly contribute to discrimination; consequently, the model may learn spurious correlations caused by synthesis biases and artifacts. Motivated by this limitation, this paper proposes a learning framework that uses provenance information obtained during the training data synthesis process, indicating whether each region in the input space originates from the target object, as an auxiliary supervisory signal to promote the acquisition of representations focused on target regions. Specifically, input gradients are decomposed based on information about target and non-target regions during synthesis, and input gradient guidance is introduced to suppress gradients over non-target regions. This suppresses the model's reliance on non-target regions and directly promotes the learning of discriminative representations for target regions. Experiments demonstrate the effectiveness and generality of the proposed method across multiple tasks and modalities, including weakly supervised object localization, spatio-temporal action localization, and image classification.
• Abstract（参考訳）: 合成データを用いた学習手法は, 学習データの多様性を高めるための効果的なアプローチとして注目され, 収集コストを低減し, モデル識別の堅牢性を向上させる。 しかし、既存の多くの手法は、トレーニングサンプルの多様化によってのみ間接的にロバスト性を改善し、入力空間内のどの領域が真に差別に寄与しているかをモデルに明示的に教えていないため、合成バイアスやアーティファクトによって引き起こされる急激な相関を学習することができる。 この制限により、本論文では、トレーニングデータ合成プロセス中に得られた証明情報を用いて、入力空間の各領域が対象対象から発するかどうかを補助的な補助信号として示し、対象領域に焦点を絞った表現の獲得を促進する学習フレームワークを提案する。 具体的には、合成中のターゲット領域と非ターゲット領域の情報に基づいて入力勾配を分解し、非ターゲット領域の勾配を抑制するために入力勾配ガイダンスを導入する。 これにより、非ターゲット領域への依存が抑制され、ターゲット領域に対する差別表現の学習が直接的に促進される。 提案手法の有効性と汎用性を複数のタスクやモダリティにまたがって示す実験は、弱教師付きオブジェクトの局所化、時空間動作の局所化、画像分類などである。

関連論文リスト

• Coefficient Shape Transfer Learning for Functional Linear Regression [0.0]
  本稿では,関数型線形モデルにおけるデータ不足問題に対処するために,新しい伝達学習手法を開発する。 この方法論は、ターゲットモデル(ターゲットドメイン)のサンプルと補助モデル(ソースドメイン)のサンプルを組み込む。 異なるソースからのデータが桁違いに異なる場合でも、信頼性の高い知識伝達を保証する。
  論文  参考訳（メタデータ） (2025-06-13T00:00:43Z)
• Propensity-driven Uncertainty Learning for Sample Exploration in Source-Free Active Domain Adaptation [19.620523416385346]
  ソースフリーアクティブドメイン適応(SFADA)は、ソースデータにアクセスせずに、トレーニング済みのモデルを新しいドメインに適応するという課題に対処する。 このシナリオは、データプライバシ、ストレージ制限、ラベル付けコストが重要な懸念事項である現実世界のアプリケーションに特に関係している。 Propensity-driven Uncertainty Learning (ProULearn) フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-23T10:05:25Z)
• Subspace-Guided Feature Reconstruction for Unsupervised Anomaly Localization [5.085309164633571]
  監督されていない異常なローカライゼーションは工業生産において重要な役割を担っている。 最近の手法では、事前訓練されたディープニューラルネットワークを用いて、ターゲットサンプルの特徴マッチングや再構成を行う。 本稿では,アノマライゼーションのための適応的特徴近似を追求する,新しいサブスペース誘導型特徴再構成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-25T06:58:57Z)
• Self-training through Classifier Disagreement for Cross-Domain Opinion Target Extraction [62.41511766918932]
  オピニオンターゲット抽出(OTE)またはアスペクト抽出(AE)は意見マイニングの基本的な課題である。 最近の研究は、現実世界のシナリオでよく見られるクロスドメインのOTEに焦点を当てている。 そこで本稿では,ドメイン固有の教師と学生のネットワークから出力されるモデルが未学習のターゲットデータと一致しない対象サンプルを選択するためのSSLアプローチを提案する。
  論文  参考訳（メタデータ） (2023-02-28T16:31:17Z)
• Deep face recognition with clustering based domain adaptation [57.29464116557734]
  そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
  論文  参考訳（メタデータ） (2022-05-27T12:29:11Z)
• Ranking Distance Calibration for Cross-Domain Few-Shot Learning [91.22458739205766]
  数ショット学習の最近の進歩は、より現実的なクロスドメイン設定を促進する。 ドメインギャップとソースとターゲットデータセット間のラベル空間の相違により、共有される知識は極めて限られている。 我々は,タスク内の相互k-アネレスト近傍を発見することで,目標距離行列の校正を行う。
  論文  参考訳（メタデータ） (2021-12-01T03:36:58Z)
• Learning Bias-Invariant Representation by Cross-Sample Mutual Information Minimization [77.8735802150511]
  対象タスクが誤用したバイアス情報を除去するために,クロスサンプル対逆脱バイアス法(CSAD)を提案する。 相関測定は, 対向的偏り評価において重要な役割を担い, クロスサンプル型相互情報推定器によって行われる。 我々は,提案手法の最先端手法に対する利点を検証するために,公開データセットの徹底的な実験を行った。
  論文  参考訳（メタデータ） (2021-08-11T21:17:02Z)
• A Curriculum-style Self-training Approach for Source-Free Semantic Segmentation [91.13472029666312]
  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グメンテーションのためのカリキュラムスタイルの自己学習手法を提案する。 提案手法は, ソースフリーなセマンティックセグメンテーションタスクにおいて, 合成-実-実-実-実-実-実-非実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実
  論文  参考訳（メタデータ） (2021-06-22T10:21:39Z)
• Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation [70.45936509510528]
  部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。 ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。 ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
  論文  参考訳（メタデータ） (2020-08-26T03:18:53Z)
• Focus on Semantic Consistency for Cross-domain Crowd Understanding [34.560447389853614]
  いくつかのドメイン適応アルゴリズムは、合成データでモデルをトレーニングすることでそれを解放しようとする。 その結果,背景領域における推定誤差が既存手法の性能を阻害していることが判明した。 本稿では,ドメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2020-02-20T08:51:05Z)

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。