論文の概要: Domain Transfer Becomes Identifiable via a Single Alignment

• arxiv url: http://arxiv.org/abs/2605.17918v1
• Date: Mon, 18 May 2026 06:26:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.91846
• Title: Domain Transfer Becomes Identifiable via a Single Alignment
• Title（参考訳）: ドメイン転送が単一アライメントで識別可能になる
• Authors: Sagar Shrestha, Subash Timilsina, Hoang-Son Nguyen, Xiao Fu,
• Abstract要約: ドメイン転送マップは、ターゲットの分布にソースを割り当てる。 プッシュフォワードマッピングは一般に識別できない。 測度保存自己同型(MPA)は、領域横断の対応を変更しながら限界を保ちます。
• 参考スコア（独自算出の注目度）: 16.77630551061651
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain transfer (DT) maps source to target distributions and supports tasks such as unsupervised image-to-image translation, single-cell analysis, and cross-platform medical imaging. However, DT is fundamentally ill-posed: push-forward mappings are generally non-identifiable, as measure-preserving automorphisms (MPAs) preserve marginals while altering cross-domain correspondences, leading to content-misaligned translation. Recent work shows that MPAs can be eliminated by jointly transferring multiple corresponding source/target conditional distributions, but supervision signals labeling such conditionals are not always available in practice. We develop an alternative route to DT identifiability. Under a structural sparsity condition on the Jacobian support pattern, we show that distribution matching together with a single paired anchor sample suffices to identify the ground-truth transfer -- requiring substantially less supervision than prior approaches. To enable practical high-dimensional learning, we further propose an efficient Jacobian sparsity regularizer based on randomized masked finite differences, yielding a scalable surrogate without explicit Jacobian evaluation. Empirical results on synthetic and real-world DT tasks validate the theory.
• Abstract（参考訳）: ドメイン転送(DT)はソースをターゲットの分布にマッピングし、教師なし画像から画像への変換、単一セル分析、クロスプラットフォームの医療画像などのタスクをサポートする。 プッシュフォワード写像は一般に識別不可能であり、測度保存自己同型 (MPAs) は、領域横断の対応を変えながら限界を保ち、内容ミスの翻訳をもたらす。 近年の研究では、複数のソース/ターゲット条件分布を共同で転送することでMPAを除去できることが示されているが、そのような条件分布をラベル付けした監視信号は、実際には必ずしも利用できない。 我々はDT識別性に代わる経路を開発する。 ヤコビアン支持パターンの構造的疎度条件の下では, 1対のアンカーサンプルサフィスと一致した分布が, 接地トラス移動を特定するのに十分であることを示す。 実用的な高次元学習を実現するために,ランダム化マスク付き有限差分に基づく効率的なジャコビアン空間正規化器を提案する。 合成および実世界のDTタスクに関する実証的な結果により、この理論が検証される。

関連論文リスト

• Towards Identifiable Unsupervised Domain Translation: A Diversified Distribution Matching Approach [17.561012410096833]
  教師なしドメイン翻訳(UDT)は、高レベルの意味論を変えることなく、あるドメインから別のドメインへサンプルを変換する関数を見つけることを目的としている。 本研究は、中核的識別可能性調査を掘り下げ、MPA除去理論を導入する。 この理論は, 補助変数誘導サブセット上の分布マッチングを用いたUDT学習者へ導かれる。
  論文  参考訳（メタデータ） (2024-01-18T01:07:00Z)
• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• Adapting to Latent Subgroup Shifts via Concepts and Proxies [82.01141290360562]
  最適ターゲット予測器は、ソースドメインでのみ利用できる概念とプロキシ変数の助けを借りて、非パラメトリックに識別可能であることを示す。 本研究では,データ生成プロセスに特有の潜在変数モデルを提案する。
  論文  参考訳（メタデータ） (2022-12-21T18:30:22Z)
• Balancing Discriminability and Transferability for Source-Free Domain Adaptation [55.143687986324935]
  従来のドメイン適応(DA)技術は、ドメイン不変表現を学習することでドメイン転送性を改善することを目的としている。 ラベル付けされたソースとラベル付けされていないターゲットへの同時アクセス要件は、ソースフリーなDA設定に適さない。 そこで本研究では,原文と翻訳サンプルの混在が識別可能性と伝達可能性のトレードオフを促進することを示す新しい知見を導出する。
  論文  参考訳（メタデータ） (2022-06-16T09:06:22Z)
• Mapping conditional distributions for domain adaptation under generalized target shift [0.0]
  我々は、条件シフトとラベルシフト(GeTarS)の下でのソースとターゲットドメイン間の教師なしドメイン適応(UDA)の問題を考える。 最近のアプローチでは、ドメイン不変表現を学習するが、実際的な制限があり、実際には成り立たない強い仮定に依存している。 本稿では,既存の欠点を回避した,事前訓練された表現の整合化のための,新規で汎用的なアプローチについて検討する。
  論文  参考訳（メタデータ） (2021-10-26T14:25:07Z)
• Generalizable Representation Learning for Mixture Domain Face Anti-Spoofing [53.82826073959756]
  ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。 ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。 この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T06:04:59Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• 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。