論文の概要: Locality-aware Private Class Identification for Domain Adaptation with Extreme Label Shift

• arxiv url: http://arxiv.org/abs/2605.05567v1
• Date: Thu, 07 May 2026 01:19:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.474724
• Title: Locality-aware Private Class Identification for Domain Adaptation with Extreme Label Shift
• Title（参考訳）: 極端ラベルシフトを用いた領域適応のための局所性を考慮したプライベートクラス同定
• Authors: Chuan-Xian Ren, Cheng-Jun Guo, Hong Yan,
• Abstract要約: ドメイン適応は、ラベル付きソースドメインから異なる分布を持つラベル付きターゲットドメインに知識を転送することを目的としています。 実世界のシナリオでは、2つのドメインのラベル空間はしばしば包含関係を持ち、あるクラスは1つのドメインにのみ存在するが、もう1つのドメインには存在しない。 個人集団のサンプルの同定と悪影響の軽減は文献上極めて重要である。
• 参考スコア（独自算出の注目度）: 25.35870846873358
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain adaptation aims to transfer knowledge from a labeled source domain to an unlabeled target domain with different distributions. In real-world scenarios, the label spaces of the two domains often have an inclusion relationship, where some classes exist only in one domain but not the other. These non-overlapping classes are referred to as private classes. Identifying private class samples and mitigating their adverse effects is critical in the literature. Existing methods rely on the assumption that shifts in private classes are large enough to be considered outliers. However, the variance within a single shared class can be significantly larger than the difference between a private class and another shared class, challenging this assumption. Consequently, private classes substantially increase the difficulty of cross-domain classification. To address these issues, based on local transportation and metric properties of optimal transport (OT), a locality-aware private class identification approach is proposed in the form of a score function on transport mass. The effectiveness of the proposed approach is theoretically proven, highlighting the score function's strong ability to distinguish between shared and private class samples. Building on this, we introduce a reliable OT-based method (ReOT) for domain adaptation under severe label shift. ReOT minimizes classification risk while learning the separated cluster structure between the identified shared classes and private classes, effectively avoiding mismatch between shared-private sample pairs, thus ensuring that important knowledge is reliably transported intra-class to mitigate class-conditional discrepancy. Furthermore, a generalization upper bound of the target risk is provided for extreme label shift scenarios, which can be minimized by ReOT. Extensive experiments on benchmarks validate the effectiveness of ReOT.
• Abstract（参考訳）: ドメイン適応は、ラベル付きソースドメインから異なる分布を持つラベル付きターゲットドメインに知識を転送することを目的としています。 実世界のシナリオでは、2つのドメインのラベル空間はしばしば包含関係を持ち、あるクラスは1つのドメインにのみ存在するが、もう1つのドメインには存在しない。 これらの重複しないクラスはプライベートクラスと呼ばれる。 個人集団のサンプルを同定し、その有害な影響を緩和することは、文献において極めて重要である。 既存のメソッドは、プライベートクラスのシフトが外れ値と見なすのに十分大きいという仮定に依存している。 しかし、単一の共有クラス内の分散は、プライベートクラスと他の共有クラスの違いよりも大幅に大きくなり、この仮定に挑戦する。 その結果、民間クラスはクロスドメイン分類の難しさを著しく増した。 これらの問題に対処するために, 局所移動特性と最適輸送(OT)の計量特性に基づいて, 局所性を考慮した個人クラス識別手法を, 輸送量に対するスコア関数の形で提案する。 提案手法の有効性は理論的に証明され,共有クラスとプライベートクラスを区別するスコア関数の強みを浮き彫りにした。 これに基づいて、重度ラベルシフト下でのドメイン適応のための信頼性の高いOTベースの手法(ReOT)を導入する。 ReOTは、識別された共有クラスとプライベートクラスの分離クラスタ構造を学習しながら、分類リスクを最小化し、共有されたプライベートなサンプルペア間のミスマッチを効果的に回避し、重要な知識がクラス内の不一致を軽減するために、クラス内で確実に輸送されることを保証する。 さらに、ターゲットリスクの一般化上限を極端ラベルシフトシナリオに設定し、ReOTにより最小化することができる。 ベンチマークに関する大規模な実験は、ReOTの有効性を検証する。

関連論文リスト

• Class-based Subset Selection for Transfer Learning under Extreme Label Shift [1.4529850226400594]
  本稿では、ソースドメインからクラスを選択して重み付けし、ドメイン間の転送を最適化する、数ショット転送学習のための新しいプロセスを提案する。 より具体的には、Wasserstein 距離を使って、ソースとターゲットドメイン間の距離を最小化するソースクラスとその重みを選択する。
  論文  参考訳（メタデータ） (2024-12-30T22:14:24Z)
• Tackling Dimensional Collapse toward Comprehensive Universal Domain Adaptation [11.875619863954238]
  部分的なドメインマッチング(PDM)は、ターゲットドメインに多くのソースクラスが欠落している極端なケースで苦労する。 本研究では,極端UniDAにおけるPDMの故障が,対象表現における次元的崩壊(DC)に起因することを確認した。 本稿では,非ラベル対象データを用いた自己教師型学習において,学習表現の内在的構造を保存するために,デコラプス手法を用いることを提案する。
  論文  参考訳（メタデータ） (2024-10-15T04:51:37Z)
• EIANet: A Novel Domain Adaptation Approach to Maximize Class Distinction with Neural Collapse Principles [15.19374752514876]
  ソースフリードメイン適応(SFDA)は、ラベル付きソースドメインから未ラベルのターゲットドメインに知識を転送することを目的としている。 SFDAにおける大きな課題は、ターゲットドメインの正確な分類情報を導き出すことである。 クラスプロトタイプを分離するための新しいETF-Informed Attention Network(EIANet)を導入する。
  論文  参考訳（メタデータ） (2024-07-23T05:31:05Z)
• Generalizable Decision Boundaries: Dualistic Meta-Learning for Open Set Domain Generalization [27.027034515404175]
  We propose a novel framework called dualistic Meta-learning with joint DomaIn-Class matching (MEDIC)。 その結果、MEDICはオープンセットのシナリオにおいて従来の手法よりも優れるだけでなく、競合するクローズドセットの一般化能力も同時に維持することを示した。
  論文  参考訳（メタデータ） (2023-08-18T08:46:02Z)
• Self-Paced Learning for Open-Set Domain Adaptation [50.620824701934]
  従来のドメイン適応手法は、ソースとターゲットドメインのクラスが同一であると仮定する。 オープンセットドメイン適応(OSDA)は、この制限に対処する。 そこで,本研究では,共通クラスと未知クラスを識別するための自己評価学習に基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-10T14:11:09Z)
• Unified Optimal Transport Framework for Universal Domain Adaptation [27.860165056943796]
  Universal Domain Adaptation (UniDA) は、ソースドメインからターゲットドメインに、ラベルセットに制約を加えることなく知識を転送することを目的としている。 既存のほとんどの手法では、共通サンプルを検出するために手動で指定または手動のしきい値を必要とする。 我々は、これらの問題を統一されたフレームワーク、すなわちUniOTで処理するために、最適なトランスポート(OT)を提案する。
  論文  参考訳（メタデータ） (2022-10-31T05:07:09Z)
• MemSAC: Memory Augmented Sample Consistency for Large Scale Unsupervised Domain Adaptation [71.4942277262067]
  本稿では,ソースドメインとターゲットドメイン間のサンプルレベルの類似性を利用して識別的転送を実現するMemSACを提案する。 我々は,MemSACの有効性に関する詳細な分析と知見を提供する。
  論文  参考訳（メタデータ） (2022-07-25T17:55:28Z)
• OVANet: One-vs-All Network for Universal Domain Adaptation [78.86047802107025]
  既存のメソッドは、検証または未知のサンプルの事前定義された比率に基づいて未知のサンプルを拒否するしきい値を手動で設定します。 本稿では,ソースサンプルを用いて閾値を学習し,対象領域に適応する手法を提案する。 私たちの考えは、ソースドメインの最小クラス間距離は、ターゲットの既知のか未知かを決定するための良いしきい値であるべきです。
  論文  参考訳（メタデータ） (2021-04-07T18:36:31Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)

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。