論文の概要: Domain Adaptation Under Wireless Network Constraints: When Does It Become Green?

• arxiv url: http://arxiv.org/abs/2606.23047v1
• Date: Mon, 22 Jun 2026 08:56:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 00:33:18.938471
• Title: Domain Adaptation Under Wireless Network Constraints: When Does It Become Green?
• Title（参考訳）: 無線ネットワーク制約によるドメイン適応:いつグリーンになるのか?
• Authors: Illyyne Saffar, Aurélie Boisbunon, Shruti Bothe,
• Abstract要約: 本研究では,Unsupervised Domain Adaptation (UDA) のエネルギー消費を調査し,それを単一タスクと比較する。 本稿では,UDAが再学習よりもエネルギー効率が高い対象ドメインの最小数を決定する方法を提案する。 本研究の目的は,従来の列車よりもUDAの方がエネルギー・ラベリング・アウェアの観点から優遇されるかを明らかにすることである。
• 参考スコア（独自算出の注目度）: 0.04282159812965446
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The deployment of data-driven models in 6G wireless networks is increasingly challenged by frequent distribution shifts that degrade performance over time. Unsupervised Domain Adaptation (UDA) offers an alternative approach by adapting the trained model to a shifted domain without requiring labels. However, UDA pipelines are often more complex than single-task training due to additional modules and optimization procedures, raising a practical question: do the benefits of adaptation come at a higher energy cost, and how does this trade-off compare to retraining when labeling effort is also considered? In this work, we investigate the energy consumption of UDA and compare it to single task. We further propose a way to determine the minimum number of target domains for which UDA becomes more energy-efficient than retraining, taking into account the labeling cost. Our results aim to clarify when UDA should be preferred over classical train-from-scratch approaches from an energy and labeling-aware perspective.
• Abstract（参考訳）: 6G無線ネットワークにおけるデータ駆動モデルの展開は、時間とともにパフォーマンスを低下させる頻繁な分散シフトによって、ますます困難になってきている。 Unsupervised Domain Adaptation (UDA)は、ラベルを必要とせずに、トレーニングされたモデルをシフトしたドメインに適応することで、代替のアプローチを提供する。 しかし、UDAパイプラインは追加モジュールや最適化手順のためにシングルタスクのトレーニングよりも複雑であり、実際的な疑問を提起する。 本研究では,UDAのエネルギー消費を調査し,それを1つのタスクと比較する。 さらに、ラベル付けコストを考慮して、UDAが再トレーニングよりもエネルギー効率が高いターゲットドメインの最小数を決定する方法を提案する。 本研究の目的は,従来の列車よりもUDAの方がエネルギー・ラベリング・アウェアの観点から優遇されるかを明らかにすることである。

関連論文リスト

• Unsupervised Robust Domain Adaptation: Paradigm, Theory and Algorithm [58.350254095190365]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル豊富なソースドメインから、ドメインシフトに対処することで、ラベルなし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。 ほとんどのUDAアプローチは転送能力を強調しているが、敵の攻撃に対する堅牢性を見落としていることが多い。 本稿は, 1) 防衛効果として知られるVATがUDAパラダイムで失敗する理由, 2) 攻撃下の一般化境界理論と, 古典的UDA理論からどのように進化するか, の3つに焦点をあてる。
  論文  参考訳（メタデータ） (2025-11-14T06:54:06Z)
• AdaptFly: Prompt-Guided Adaptation of Foundation Models for Low-Altitude UAV Networks [10.80018338292861]
  低高度無人航空機(UAV)ネットワークは、分散センシング・通信制御協調設計の基盤として、ロバストなセマンティックセグメンテーションに依存している。 本稿では,重み更新なしでセグメンテーションモデルを調整する,プロンプト誘導型テスト時間適応フレームワークAdaptFlyを提案する。 UAVidとVDDベンチマークの実験は、様々な気象条件下での実際のUAV展開と共に、AdaptFlyがセグメンテーション精度とロバスト性を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2025-11-13T00:20:37Z)
• EUDA: An Efficient Unsupervised Domain Adaptation via Self-Supervised Vision Transformer [21.59850502993888]
  教師なしドメイン適応(UDA)は、トレーニング(ソース)データの分散がテスト(ターゲット)データと異なる領域シフトの問題を軽減することを目的としている。 この問題に対処するために多くのモデルが開発され、近年では視覚変換器(ViT)が有望な結果を示している。 本稿では、トレーニング可能なパラメータを削減し、調整可能な複雑性を実現するための効率的なモデルを提案する。
  論文  参考訳（メタデータ） (2024-07-31T03:29:28Z)
• Domain Generalization Using Large Pretrained Models with Mixture-of-Adapters [33.401355417911084]
  本研究は, OODシナリオの処理を改善し, 領域一般化問題に取り組むために, 大規模事前学習モデルの知識を活用することを目的とする。 我々は,大規模モデルで作業しながらOODロバスト性を効果的に維持するために,パラメータ効率のよい微調整(PEFT)技術を用いる。 実験と分析により、最も効果的なアプローチは、多様なモデルを集結させ、事前学習の規模を増大させることであることを確認した。
  論文  参考訳（メタデータ） (2023-10-17T07:01:24Z)
• Better Practices for Domain Adaptation [62.70267990659201]
  ドメイン適応(DA)は、ラベルを使わずに、モデルを配置データに適用するためのフレームワークを提供することを目的としている。 DAの明確な検証プロトコルは、文献の悪い実践につながっている。 ドメイン適応手法の3つの分野にまたがる課題を示す。
  論文  参考訳（メタデータ） (2023-09-07T17:44:18Z)
• Constraining Pseudo-label in Self-training Unsupervised Domain Adaptation with Energy-based Model [26.074500538428364]
  ラベル付きソースドメインの知識をラベル付きターゲットドメインに導入するために、unsupervised domain adaptation (UDA) が開発されている。 近年、深層自己学習は、ターゲットドメインを予測する反復的なプロセスを含む、UDAにとって強力な手段となる。 我々はエネルギーベースモデルを採用し,エネルギー関数最小化の目標とする未ラベル対象試料の訓練を制約する。
  論文  参考訳（メタデータ） (2022-08-26T22:50:23Z)
• Prior Knowledge Guided Unsupervised Domain Adaptation [82.9977759320565]
  本稿では,対象とするクラス分布に関する事前知識を利用できる知識誘導型非教師付きドメイン適応(KUDA)設定を提案する。 特に,対象領域におけるクラス分布に関する2種類の事前知識について考察する。 このような事前知識を用いて生成した擬似ラベルを精査する修正モジュールを提案する。
  論文  参考訳（メタデータ） (2022-07-18T18:41:36Z)
• Exploring Adversarially Robust Training for Unsupervised Domain Adaptation [71.94264837503135]
  Unsupervised Domain Adaptation (UDA)メソッドは、ラベル付きソースドメインから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る。 本稿では、UDAのドメイン不変性を学習しながら、ATを介してラベルなしデータのロバスト性を高める方法について検討する。 本稿では,ARTUDA と呼ばれる UDA の適応的ロバストトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-02-18T17:05:19Z)
• Re-energizing Domain Discriminator with Sample Relabeling for Adversarial Domain Adaptation [88.86865069583149]
  Unsupervised Domain Adapt (UDA)メソッドは、ドメインの競合トレーニングを利用して、機能を調整してドメインのギャップを減らす。 本研究では,Re-enforceable Adversarial Domain Adaptation (RADA) と呼ばれる効率的な最適化戦略を提案する。 RADAは、動的ドメインラベルを使用して、トレーニング中にドメイン識別器を再活性化することを目指しています。
  論文  参考訳（メタデータ） (2021-03-22T08:32:55Z)
• Energy-constrained Self-training for Unsupervised Domain Adaptation [25.594991545790638]
  Unsupervised Domain Adapt (UDA)は、ラベル付きソースドメインの知識を、ラベル付きターゲットドメインでうまく機能させることを目的としています。 近年、深層自己学習は、対象領域を予測し、自信のある予測をトレーニングの硬い擬似ラベルとして取り込む反復的なプロセスを含む。 本論文では, エネルギーに基づくモデルに頼り, エネルギー関数最小化目標を用いて, ラベルのない対象試料の訓練を制約する。
  論文  参考訳（メタデータ） (2021-01-01T21:02:18Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。