論文の概要: Trust-Aware Joint Feature-Prediction Discrepancy for Robust Domain Adaptation

• arxiv url: http://arxiv.org/abs/2605.25119v1
• Date: Sun, 24 May 2026 15:05:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.839257
• Title: Trust-Aware Joint Feature-Prediction Discrepancy for Robust Domain Adaptation
• Title（参考訳）: ロバスト領域適応のための信頼度を考慮した共同特徴差分法
• Authors: Xi Ding, Lei Wang, Syuan-Hao Li, Yongsheng Gao,
• Abstract要約: 我々は、特徴信号と予測信号の信頼性を通じて、ドメインの不一致をモデル化する原則付きフレームワークである、信頼を意識したドメイン適応を導入する。 標準ベンチマークの実験では、提案したフレームワークが常に優れた適応性能を達成できることが示されている。
• 参考スコア（独自算出の注目度）: 8.651700235973223
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain adaptation aims to mitigate performance degradation caused by distribution shifts between a labeled source domain and an unlabeled or sparsely labeled target domain. Most existing approaches estimate domain discrepancy either in feature space or in prediction space. However, these single-perspective strategies overlook a critical problem under domain shift: the reliability of the signals used for alignment. In practice, both learned representations and semantic predictions may become unreliable, and treating all target samples equally can lead to misleading alignment and suboptimal transfer. We introduce trust-aware domain adaptation, a principled framework that models domain discrepancy through the reliability of feature and prediction signals. Central to our approach is the Joint Feature-Prediction Discrepancy (JFPD), a unified formulation that jointly captures representation divergence and prediction divergence while weighting their contributions by sample-specific trust. Trust is quantified via two complementary mechanisms: uncertainty-aware trust, derived from prediction entropy to suppress unreliable predictions, and semantic-alignment trust, computed from prototype similarity in feature space to emphasize well-aligned representations. By prioritizing confident and semantically consistent samples while down-weighting noisy or ambiguous ones, JFPD provides a reliability-aware estimate of domain discrepancy. We further integrate JFPD into a training objective that guides adaptation toward trustworthy regions of the target domain. Experiments on standard benchmarks demonstrate that the proposed framework consistently achieves superior adaptation performance and yields discrepancy estimates that correlate with target-domain error. This work addresses, for the first time, the importance of modeling trust in the interaction between features and predictions for domain adaptation.
• Abstract（参考訳）: ドメイン適応は、ラベル付きソースドメインとラベル付きまたは疎ラベルのターゲットドメイン間の分散シフトによるパフォーマンス劣化を軽減することを目的としている。 既存のアプローチのほとんどは、特徴空間または予測空間におけるドメインの相違を推定する。 しかしながら、これらの単一パースペクティブ戦略は、ドメインシフトの下で重要な問題、すなわちアライメントに使用される信号の信頼性を見落としている。 実際には、学習された表現と意味予測の両方が信頼できないものになり、全ての対象サンプルを平等に扱うことは、誤解を招くアライメントと準最適転送につながる。 我々は、特徴信号と予測信号の信頼性を通じて、ドメインの不一致をモデル化する原則付きフレームワークである、信頼を意識したドメイン適応を導入する。 我々のアプローチの中心はJFPD(Joint Feature-Prediction Discrepancy)であり、これは統一的な定式化であり、表現のばらつきと予測のばらつきを、サンプル固有の信頼によって重み付けしながら、同時に捉えることができる。 信頼は、信頼できない予測を抑えるために予測エントロピーから導かれる不確実性認識信頼と、特徴空間におけるプロトタイプの類似性から計算され、適切に整合した表現を強調するセマンティックアライメント信頼の2つの相補的なメカニズムによって定量化される。 自信と意味的に一貫性のあるサンプルを優先順位付けし、ノイズや曖昧さを減らしながら、JFPDは信頼性に敏感なドメインの不一致を推定する。 我々はさらに、JFPDを目標ドメインの信頼性のある領域への適応を誘導する訓練目標に統合する。 標準ベンチマーク実験により,提案手法は適応性能を常に向上し,目標領域誤差と相関する相違性の推定値が得られることが示された。 この作業は、初めて、機能とドメイン適応の予測の間の相互作用における信頼をモデリングすることの重要性に対処する。

関連論文リスト

• Uncertainty Awareness on Unsupervised Domain Adaptation for Time Series Data [49.36938105983916]
  教師なし領域適応法は、ラベルのないテストデータに効果的に一般化しようとする。 本稿では,ドメイン間の一般化とロバスト性を改善するために,マルチスケールの特徴抽出と不確実性推定を導入することを提案する。
  論文  参考訳（メタデータ） (2025-08-26T03:13:08Z)
• Optimal Aggregation of Prediction Intervals under Unsupervised Domain Shift [9.387706860375461]
  分散シフトは、基礎となるデータ生成プロセスが変化したときに発生し、モデルの性能のずれにつながる。 予測間隔は、その基礎となる分布によって引き起こされる不確実性を特徴づける重要なツールとして機能する。 予測区間を集約し,最小の幅と対象領域を適切にカバーする手法を提案する。
  論文  参考訳（メタデータ） (2024-05-16T17:55:42Z)
• Cal-SFDA: Source-Free Domain-adaptive Semantic Segmentation with Differentiable Expected Calibration Error [50.86671887712424]
  ドメイン適応型セマンティックセグメンテーションの流行は、ソースドメインデータの漏洩に関する懸念を引き起こしている。 ソースデータの要求を回避するため、ソースフリーなドメイン適応が実現可能なソリューションとして登場した。 校正誘導型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マンティクスフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-06T03:28:34Z)
• Learning Unbiased Transferability for Domain Adaptation by Uncertainty Modeling [107.24387363079629]
  ドメイン適応は、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、あるいはラベル付けされていないが関連する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。 ソース内のアノテートされたデータの量とターゲットドメインとの間の不均衡のため、ターゲットの分布のみがソースドメインにアライメントされる。 本稿では,非暴力的非暴力的移動可能性推定プラグイン(UTEP)を提案し,非暴力的移動を最適化するDA法において,識別器の不確実性をモデル化する。
  論文  参考訳（メタデータ） (2022-06-02T21:58:54Z)
• Boosting Unsupervised Domain Adaptation with Soft Pseudo-label and Curriculum Learning [19.903568227077763]
  教師なしドメイン適応(UDA)は、完全にラベル付けされたソースドメインからのデータを活用することにより、ラベル付けされていないターゲットドメインの分類性能を向上させる。 ソフトな擬似ラベル戦略を用いてモデル予測の欠陥を大幅に低減するモデルに依存しない2段階学習フレームワークを提案する。 第2段階では,2つのドメインの損失間の重み付けを適応的に制御するカリキュラム学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-03T14:47:32Z)
• Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach [150.8920602230832]
  ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。 特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。 提案手法は下流タスクに有利な校正不確実性を生成する。
  論文  参考訳（メタデータ） (2020-10-08T02:10:54Z)
• Rectifying Pseudo Label Learning via Uncertainty Estimation for Domain Adaptive Semantic Segmentation [49.295165476818866]
  本稿では、意味的セグメンテーションの文脈において、ソースドメインからターゲットドメインへの知識伝達の教師なし領域適応に焦点を当てる。 既存のアプローチでは、通常、擬似ラベルを未ラベルのターゲットドメインデータを完全に活用するための基礎的真理とみなす。 本稿では,擬似ラベル学習の修正のために,学習中の予測の不確かさを明示的に推定することを提案する。
  論文  参考訳（メタデータ） (2020-03-08T12:37:19Z)

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。