論文の概要: A General Representation-Based Approach to Multi-Source Domain Adaptation

• arxiv url: http://arxiv.org/abs/2604.23790v1
• Date: Sun, 26 Apr 2026 16:29:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.550875
• Title: A General Representation-Based Approach to Multi-Source Domain Adaptation
• Title（参考訳）: 汎用表現に基づくマルチソース領域適応法
• Authors: Ignavier Ng, Yan Li, Zijian Li, Yujia Zheng, Guangyi Chen, Kun Zhang,
• Abstract要約: 教師なしドメイン適応における中心的な問題は、ラベル付けされたソースドメインからラベル付けされていないターゲットドメインへの転送方法を決定することである。 本稿では,分散シフトを捉えるために,コンパクトな潜在表現を学習する汎用ドメイン適応フレームワークを提案する。 一般ドメイン適応は、マルコフ毛布の表現をレーベルの両親、子供、配偶者の表現に分割することで達成できることを示す。
• 参考スコア（独自算出の注目度）: 26.958417585316568
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A central problem in unsupervised domain adaptation is determining what to transfer from labeled source domains to an unlabeled target domain. To handle high-dimensional observations (e.g., images), a line of approaches use deep learning to learn latent representations of the observations, which facilitate knowledge transfer in the latent space. However, existing approaches often rely on restrictive assumptions to establish identifiability of the joint distribution in the target domain, such as independent latent variables or invariant label distributions, limiting their real-world applicability. In this work, we propose a general domain adaptation framework that learns compact latent representations to capture distribution shifts relative to the prediction task and address the fundamental question of what representations should be learned and transferred. Notably, we first demonstrate that learning representations based on all the predictive information, i.e., the label's Markov blanket in terms of the learned representations, is often underspecified in general settings. Instead, we show that, interestingly, general domain adaptation can be achieved by partitioning the representations of Markov blanket into those of the label's parents, children, and spouses. Moreover, its identifiability guarantee can be established. Building on these theoretical insights, we develop a practical, nonparametric approach for domain adaptation in a general setting, which can handle different types of distribution shifts.
• Abstract（参考訳）: 教師なしドメイン適応における中心的な問題は、ラベル付けされたソースドメインからラベル付けされていないターゲットドメインへの転送方法を決定することである。 高次元観測(例えば画像)を扱うために、深層学習を用いて観測の潜在表現を学習し、潜時空間における知識伝達を容易にする。 しかし、既存のアプローチは、独立潜伏変数や不変ラベル分布のような対象領域における結合分布の識別可能性を確立するために制限的な仮定に依存することが多く、現実の応用性を制限する。 本研究では,コンパクトな潜在表現を学習し,予測タスクに対する分布変化をキャプチャし,どの表現を学習,転送すべきかという根本的な問題に対処する一般領域適応フレームワークを提案する。 特に、まず、全ての予測情報に基づく学習表現、すなわち、学習された表現の点において、ラベルのマルコフ包みが一般的には不明確であることを示す。 その代わりに、興味深いことに、Markovブランケットの表現をレーベルの両親、子供、配偶者の表現に分割することで、一般的なドメイン適応が達成できることを示す。 さらに、その識別可能性を保証することができる。 これらの理論的な洞察に基づいて、我々は、異なる種類の分布シフトを処理できる汎用的な領域適応のための実践的で非パラメトリックなアプローチを開発する。

関連論文リスト

• Guidance Not Obstruction: A Conjugate Consistent Enhanced Strategy for Domain Generalization [50.04665252665413]
  ドメイン内のクラス間での差別的一般化の獲得が不可欠である。 分布の整合性を求めるのとは対照的に、ドメイン関係の階級間差別を保護しようと努力する。 我々は,新たな分布レベルのUniversum戦略を用いて,追加的なドメイン関係のクラス条件分布を生成する。
  論文  参考訳（メタデータ） (2024-12-13T12:25:16Z)
• FEED: Fairness-Enhanced Meta-Learning for Domain Generalization [13.757379847454372]
  モデルフェアネスを認識しながら配布外データに一般化することは、メタラーニングにおいて重要かつ困難な問題である。 本稿では,ドメインの一般化能力を大幅に向上させるフェアネスを考慮したメタラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-11-02T17:34:33Z)
• Preserving Domain Private Representation via Mutual Information Maximization [3.2597336130674317]
  本稿では,ラベルを欠く領域にプライベートな表現を保存するためのアプローチを提案する。 我々の手法は、いくつかの公開データセット上で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2022-01-09T22:55:57Z)
• A Style and Semantic Memory Mechanism for Domain Generalization [108.98041306507372]
  ドメイン内スタイルの不変性は、ドメインの一般化の効率を改善する上で重要な要素である。 本稿では,ドメイン間の意味的特徴の共通性を学習する上で特に有効な,新しい「判断」機構を提案する。 提案手法は最先端の手法をクリアマージンで超越している。
  論文  参考訳（メタデータ） (2021-12-14T16:23:24Z)
• Unsupervised Domain Generalization for Person Re-identification: A Domain-specific Adaptive Framework [50.88463458896428]
  ドメイン一般化(DG)は近年,人物再同定(ReID)において注目されている。 既存のメソッドは通常、ソースドメインにラベルを付ける必要があります。 本稿では、単純で効率的なドメイン固有適応化フレームワークを提案し、適応正規化モジュールで実現する。
  論文  参考訳（メタデータ） (2021-11-30T02:35:51Z)
• A Bit More Bayesian: Domain-Invariant Learning with Uncertainty [111.22588110362705]
  ドメインの一般化は、ドメインシフトと、ターゲットドメインデータのアクセス不能に起因する不確実性のために困難である。 本稿では,変分ベイズ推定に基づく確率的枠組みを用いて,両課題に対処する。 2層ベイズ型ニューラルネットワークで共同で確立されたドメイン不変表現と分類器を導出する。
  論文  参考訳（メタデータ） (2021-05-09T21:33:27Z)
• Respecting Domain Relations: Hypothesis Invariance for Domain Generalization [30.14312814723027]
  ドメインの一般化では、トレーニング中に複数のラベル付き非独立および非独立に分散されたソースドメインが利用可能である。 現在、いわゆるドメイン不変表現(DIR)を学ぶことは、ドメインの一般化に対する一般的なアプローチである。
  論文  参考訳（メタデータ） (2020-10-15T08:26:08Z)
• 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。