論文の概要: CPCANet: Deep Unfolding Common Principal Component Analysis for Domain Generalization

• arxiv url: http://arxiv.org/abs/2605.05136v2
• Date: Thu, 07 May 2026 06:48:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 17:36:06.253965
• Title: CPCANet: Deep Unfolding Common Principal Component Analysis for Domain Generalization
• Title（参考訳）: CPCANet:ドメイン一般化のための深い展開する共通主成分分析
• Authors: Yu-Hsi Chen, Abd-Krim Seghouane,
• Abstract要約: ドメインの一般化は、アウト・オブ・ディストリビューション・シフトの下で堅牢な表現を学習することを目的としている。 本稿では,FGアルゴリズムを完全微分可能なニューラルネットワーク層に展開する新しいフレームワークであるCPCANetを提案する。 4つの標準DGベンチマーク実験により、CPCANetはゼロショット転送において最先端(SOTA)性能を達成することが示された。
• 参考スコア（独自算出の注目度）: 10.224214218777824
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain Generalization (DG) aims to learn representations that remain robust under out-of-distribution (OOD) shifts and generalize effectively to unseen target domains. While recent invariant learning strategies and architectural advances have achieved strong performance, explicitly discovering a structured domain-invariant subspace through second-order statistics remains underexplored. In this work, we propose CPCANet, a novel framework grounded in Common Principal Component Analysis (CPCA), which unrolls the iterative Flury-Gautschi (FG) algorithm into fully differentiable neural layers. This approach integrates the statistical properties of CPCA into an end-to-end trainable framework, enforcing the discovery of a shared subspace across diverse domains while preserving interpretability. Experiments on four standard DG benchmarks demonstrate that CPCANet achieves state-of-the-art (SOTA) performance in zero-shot transfer. Moreover, CPCANet is architecture-agnostic and requires no dataset-specific tuning, providing a simple and efficient approach to learning robust representations under distribution shift. Code is available at https://github.com/wish44165/CPCANet.
• Abstract（参考訳）: ドメイン一般化(DG)は、オフ・オブ・ディストリビューション(OOD)シフトの下で頑健な表現を学習し、目に見えないターゲットドメインに効果的に一般化することを目的としている。 最近の不変学習戦略とアーキテクチャの進歩は高い性能を達成しているが、2次統計による構造的ドメイン不変部分空間の発見は未定である。 本稿では,CPCA(Common principal Component Analysis)に基づく新しいフレームワークであるCPCANetを提案する。 このアプローチは、CPCAの統計的性質をエンドツーエンドのトレーニング可能なフレームワークに統合し、解釈可能性を維持しながら、様々な領域にまたがる共有部分空間の発見を強制する。 4つの標準DGベンチマーク実験により、CPCANetはゼロショット転送において最先端(SOTA)性能を達成することが示された。 さらに、CPCANetはアーキテクチャに依存しず、データセット固有のチューニングを必要としないため、分散シフトの下で堅牢な表現を学習するためのシンプルで効率的なアプローチを提供する。 コードはhttps://github.com/wish44165/CPCANetで入手できる。

関連論文リスト

• Connecting Domains and Contrasting Samples: A Ladder for Domain Generalization [52.52838658375592]
  本稿では,ドメイン間の概念的接続性を高めるために,ドメイン接続型コントラスト学習(DCCL)を提案する。 データ側では、クラス内の接続性を改善するために、よりアグレッシブなデータ拡張とクロスドメインの陽性サンプルが導入されている。 その結果、DCCLはドメインの監督なしに最先端のベースラインを上回ることが確認された。
  論文  参考訳（メタデータ） (2025-10-19T04:13:29Z)
• StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
  単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。 データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
  論文  参考訳（メタデータ） (2024-06-01T02:41:34Z)
• Domain Generalisation for Object Detection under Covariate and Concept Shift [10.32461766065764]
  ドメインの一般化は、ドメイン固有の特徴を抑えながら、ドメイン不変の機能の学習を促進することを目的としている。 オブジェクト検出のためのドメイン一般化手法を提案し, オブジェクト検出アーキテクチャに適用可能な最初のアプローチを提案する。
  論文  参考訳（メタデータ） (2022-03-10T11:14:18Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• HCDG: A Hierarchical Consistency Framework for Domain Generalization on Medical Image Segmentation [33.623948922908184]
  ドメイン一般化のための新しい階層的一貫性フレームワーク(HCDG)を提案する。 Extrinsic Consistencyでは、複数のソースドメインにまたがる知識を活用して、データレベルの一貫性を強制します。 Intrinsic Consistencyでは、デュアルタスクシナリオの下で同じインスタンスに対してタスクレベルの一貫性を実行します。
  論文  参考訳（メタデータ） (2021-09-13T07:07:23Z)
• Source-Free Open Compound Domain Adaptation in Semantic Segmentation [99.82890571842603]
  SF-OCDAでは、ターゲットモデルを学習するために、ソース事前訓練されたモデルとターゲットデータのみが利用可能である。 そこで我々は,Cross-Patch Style Swap (CPSS)を提案する。 提案手法は,C-Drivingデータセット上で最先端の結果を生成する。
  論文  参考訳（メタデータ） (2021-06-07T08:38:41Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)

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。