論文の概要: Towards Accurate Model Selection in Deep Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2606.04665v1
• Date: Wed, 03 Jun 2026 09:45:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.661413
• Title: Towards Accurate Model Selection in Deep Unsupervised Domain Adaptation
• Title（参考訳）: 深い教師なしドメイン適応における正確なモデル選択に向けて
• Authors: Kaichao You, Ximei Wang, Mingsheng Long, Michael I. Jordan,
• Abstract要約: 深層非教師付きドメイン適応(Deep UDA)メソッドは、ソースドメイン内のリッチなラベル付きデータを利用して、ターゲットドメイン内の関連するがラベルなしデータのパフォーマンスを高める。 Deep UDAの既存のモデル選択方法は、非常に偏りがあり、制限され、不安定で、あるいは議論の余地さえある(ラベル付きターゲットデータを要求する)。 適応された特徴表現を検証手順に組み込んだtextitDeep Embedded Validation (textbfDEV) を提案する。
• 参考スコア（独自算出の注目度）: 86.19492706156304
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep unsupervised domain adaptation (Deep UDA) methods successfully leverage rich labeled data in a source domain to boost the performance on related but unlabeled data in a target domain. However, algorithm comparison is cumbersome in Deep UDA due to the absence of accurate and standardized model selection method, posing an obstacle to further advances in the field. Existing model selection methods for Deep UDA are either highly biased, restricted, unstable, or even controversial (requiring labeled target data). To this end, we propose \textit{Deep Embedded Validation} (\textbf{DEV}), which embeds adapted feature representation into the validation procedure to obtain unbiased estimation of the target risk with bounded variance. The variance is further reduced by the technique of control variate. The efficacy of the method has been justified both theoretically and empirically.
• Abstract（参考訳）: 深層非教師付きドメイン適応(Deep UDA)メソッドは、ソースドメイン内のリッチなラベル付きデータを利用して、ターゲットドメイン内の関連するがラベルなしデータのパフォーマンスを高める。 しかし, 高精度で標準化されたモデル選択法が存在しないため, 深部UDAではアルゴリズム比較が困難であり, さらなる進歩に支障をきたす。 Deep UDAの既存のモデル選択方法は、非常に偏りがあり、制限され、不安定で、あるいは議論の余地さえある(ラベル付きターゲットデータを要求する)。 そこで本稿では,適応された特徴表現をバリデーション手順に組み込んで,有界分散による対象リスクの偏りのない推定値を得る方法として,<textit{Deep Embedded Validation} (\textbf{DEV})を提案する。 この分散は、制御変数の技法によりさらに低減される。 この方法の有効性は理論的にも経験的にも正当化されている。

関連論文リスト

• Unsupervised Domain Adaptation Via Data Pruning [0.0]
  非教師なし領域適応(UDA)の観点から問題を考える。 本稿では,UDAのトレーニング例を取り除き,トレーニング分布を対象データと整合させる手法であるAdaPruneを提案する。 UDAの手法として、AdaPruneは関連する技術より優れており、CoRALなどの他のUDAアルゴリズムと相補的であることを示す。
  論文  参考訳（メタデータ） (2024-09-18T15:48:59Z)
• Source-Free Unsupervised Domain Adaptation with Norm and Shape Constraints for Medical Image Segmentation [0.12183405753834559]
  医用画像セグメンテーションのための非教師なし領域適応法(SFUDA)を提案する。 エントロピー最小化法に加えて、ターゲット領域における特徴ノルムを回避する損失関数を導入する。 提案手法は,すべてのデータセットにおいて最先端の手法より優れている。
  論文  参考訳（メタデータ） (2022-09-03T00:16:39Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:43Z)
• Unsupervised Domain Adaptation: A Reality Check [23.79809492395849]
  大規模実験により,UDAアルゴリズムの精度の差が従来考えられていたよりも小さいことを示す。 バリデーションメソッドが任意のUDAトレイン/バルパイプラインの重要なコンポーネントであるという事実にもかかわらず、これは事実です。
  論文  参考訳（メタデータ） (2021-11-30T18:59:04Z)
• Certainty Volume Prediction for Unsupervised Domain Adaptation [35.984559137218504]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベルなしのターゲットドメインデータを分類する問題を扱う。 特徴空間における多変量ガウス分布としての不確かさをモデル化する新しい不確実性対応領域適応構成を提案する。 提案したパイプラインを、挑戦的なUDAデータセットに基づいて評価し、最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-11-03T11:22:55Z)
• Understanding the Limits of Unsupervised Domain Adaptation via Data Poisoning [66.80663779176979]
  教師なしドメイン適応(UDA)は、対象ドメインラベルなしでドメイン間の学習を可能にする。 本稿では,ソース領域誤りの最小化と,ターゲット領域誤りの低減を保証するための限界分布ミスマッチの有効性を示す。 そこで本研究では,UDA手法を誤用した新たなデータ中毒攻撃手法を提案する。
  論文  参考訳（メタデータ） (2021-07-08T15:51:14Z)
• Open-Set Hypothesis Transfer with Semantic Consistency [99.83813484934177]
  本稿では,対象データの変換における意味的一貫性に着目した手法を提案する。 本モデルはまず,自信ある予測を発見し,擬似ラベルを用いた分類を行う。 その結果、ラベルなしデータは、ソースクラスまたは未知のクラスに一致した識別クラスに分類される。
  論文  参考訳（メタデータ） (2020-10-01T10:44:31Z)

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。