論文の概要: One Size does not Fit All: Heterogeneous Latent Space Alignment for Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2606.21415v1
• Date: Fri, 19 Jun 2026 13:33:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 13:35:39.924664
• Title: One Size does not Fit All: Heterogeneous Latent Space Alignment for Unsupervised Domain Adaptation
• Title（参考訳）: One Size does not All: Heterogeneous Latent Space Asignment for Unsupervised Domain Adaptation
• Authors: Evangelia Koskinioti, Yi Shen, Georgios Stamou, Michael M. Zavlanos,
• Abstract要約: ドメインシフトは、医療などの高度な環境において、マシンラーニングモデルの信頼性の高いデプロイに対する大きな障害である。 医用画像セグメンテーションに特化して最適化されたUnsupervised Domain Adaptation (UDA) のための新しいディープラーニングアーキテクチャを提案する。 我々のフレームワークであるAdualVUOTは、デュアルエンコーダ変分オートエンコーダ(VAE)と連続正規化フロー(CNF)を統合し、モデリングの柔軟性を向上させる。
• 参考スコア（独自算出の注目度）: 5.6374247694410995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain shift remains a major obstacle to the reliable deployment of machine learning models in high-stakes environments such as healthcare. While Domain adaptation aims to mitigate these effects, existing approaches suffer from limited expressiveness of latent representations and a reliance on handcrafted, static augmentations. In this work, we address these limitations by proposing a novel deep learning architecture for Unsupervised Domain Adaptation (UDA), specifically optimized for medical image segmentation. Our framework, ADualVUOT, integrates a dual-encoder Variational Autoencoder (VAE) with Continuous Normalizing Flows (CNFs) to increase modeling flexibility and posterior expressiveness. To achieve domain alignment, we leverage Unbalanced Optimal Transport (UOT) through the Gaussian-Gromov-Wasserstein (GGW) distance, which handles structural and topological discrepancies between domains. Furthermore, we incorporate an adversarial augmentation scheme to synthesize worst-case compositions, thus enhancing model robustness. Extensive experiments on medical imaging benchmarks show significant gains over prior OT-based approaches.
• Abstract（参考訳）: ドメインシフトは、医療などの高度な環境において、マシンラーニングモデルの信頼性の高いデプロイにとって、依然として大きな障害である。 ドメイン適応は、これらの効果を軽減することを目的としているが、既存のアプローチは、潜在表現の限定的な表現と、手作りの静的拡張への依存に悩まされている。 本研究では,医用画像のセグメンテーションに特化して最適化されたUnsupervised Domain Adaptation (UDA) のための新しいディープラーニングアーキテクチャを提案することで,これらの制約に対処する。 我々のフレームワークであるAdualVUOTは、モデリングの柔軟性と後部表現性を高めるために、二重エンコーダ変分オートエンコーダ(VAE)と連続正規化フロー(CNF)を統合する。 ドメインアライメントを実現するために、ドメイン間の構造的およびトポロジカルな差異を扱うガウス-グロモフ-ワッサーシュタイン距離(GGW)を介して、不均衡最適輸送(UOT)を利用する。 さらに, 逆数拡張方式を組み込んで, 最悪の構成を合成し, モデルロバスト性を向上する。 医用画像ベンチマークの大規模な実験は、以前のOTベースのアプローチよりも顕著に向上した。

関連論文リスト

• MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
  連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。 ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
  論文  参考訳（メタデータ） (2026-05-18T01:52:12Z)
• DDS-UDA: Dual-Domain Synergy for Unsupervised Domain Adaptation in Joint Segmentation of Optic Disc and Optic Cup [9.302794224184263]
  畳み込みニューラルネットワーク(CNN)は、単一機関データセット上での光ディスクと光カップの接合セグメンテーションにおいて、エキサイティングなパフォーマンスを実現している。 しかし、彼らの臨床翻訳は2つの大きな課題によって妨げられている。 本稿では,ドメイン間干渉とドメイン内一般化を緩和する新しい UDA フレームワークである Dual-Domain Synergy UDA (DDS-UDA) を提案する。
  論文  参考訳（メタデータ） (2026-03-07T08:30:14Z)
• The 1st Solution for CARE Liver Task Challenge 2025: Contrast-Aware Semi-Supervised Segmentation with Domain Generalization and Test-Time Adaptation [23.156209918252838]
  CoSSeg-TTA は nnU-Netv2 上に構築された GED4 (Gd-EOB-DTPA 拡張肝胆道相MRI) のコンパクトセグメンテーションフレームワークである。 ドメイン適応モジュールは、ランダム化されたヒストグラムスタイルの外観伝達関数とトレーニング可能なコントラスト対応ネットワークを組み込んで、ドメインの多様性を強化し、センター間の変動を緩和する。
  論文  参考訳（メタデータ） (2025-10-05T15:18:53Z)
• Feature-Space Planes Searcher: A Universal Domain Adaptation Framework for Interpretability and Computational Efficiency [7.889121135601528]
  現在の教師なし領域適応法は微調整特徴抽出器に依存している。 領域適応フレームワークとしてFPS(Feature-space Planes Searcher)を提案する。 FPSは最先端の手法と比較して,競争力や性能に優れることを示す。
  論文  参考訳（メタデータ） (2025-08-26T05:39:21Z)
• Multi-Modality Driven LoRA for Adverse Condition Depth Estimation [61.525312117638116]
  逆条件深さ推定のためのMulti-Modality Driven LoRA(MMD-LoRA)を提案する。 Prompt Driven Domain Alignment (PDDA) と Visual-Text Consistent Contrastive Learning (VTCCL) の2つのコアコンポーネントで構成されている。 nuScenesとOxford RobotCarデータセットの最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-12-28T14:23:58Z)
• Language-Guided Instance-Aware Domain-Adaptive Panoptic Segmentation [44.501770535446624]
  汎視的ドメイン適応の鍵となる課題は、ラベル付きソースとラベルなしターゲットドメインの間のドメインギャップを減らすことである。 我々は、新しいクロスドメイン混合戦略IMixによるインスタンスレベル適応の導入に重点を置いている。 LIDAPSと呼ばれる2つのメカニズムを組み込んだエンド・ツー・エンド・エンド・モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-04T20:42:49Z)
• Towards Full-scene Domain Generalization in Multi-agent Collaborative Bird's Eye View Segmentation for Connected and Autonomous Driving [49.03947018718156]
  協調的な知覚の訓練と推論の段階で利用される統合されたドメイン一般化フレームワークを提案する。 また、システム内ドメインアライメント機構を導入し、コネクテッドおよび自律走行車間のドメインの差を減らし、潜在的に排除する。
  論文  参考訳（メタデータ） (2023-11-28T12:52:49Z)
• Amplitude Spectrum Transformation for Open Compound Domain Adaptive Semantic Segmentation [62.68759523116924]
  オープン化合物ドメイン適応(OCDA)は、実用的な適応セットとして現れている。 我々は、新しい特徴空間振幅スペクトル変換(AST)を提案する。
  論文  参考訳（メタデータ） (2022-02-09T05:40:34Z)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。