論文の概要: Exploring Dualistic Meta-Learning to Enhance Domain Generalization in Open Set Scenarios

• arxiv url: http://arxiv.org/abs/2606.23758v1
• Date: Mon, 22 Jun 2026 08:58:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.598317
• Title: Exploring Dualistic Meta-Learning to Enhance Domain Generalization in Open Set Scenarios
• Title（参考訳）: オープンセットシナリオにおけるドメインの一般化を促進するデュアル的メタラーニング
• Authors: Xiran Wang, Jian Zhang, Lei Qi, Yang Gao, Yinghuan Shi,
• Abstract要約: ドメインの一般化は、複数のソースドメインから学習し、見えないターゲットドメインに一般化する。 開集合領域の一般化は、見知らぬ領域における見つからないクラスを認識するために提案される。 We propose a novel meta-learning stategy called dualistic Meta-learning with joint DomaIn-Class matching (MEDIC)。
• 参考スコア（独自算出の注目度）: 47.75888552950153
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain generalization learns from multiple source domains to generalize to unseen target domains. However, it often neglects the realistic case of label mismatch between source and target. Open set domain generalization is then proposed to recognize unseen classes in unseen domains. A simple approach trains one-vs-all classifiers to separate each class and detect outliers as unknown. Yet, the imbalance between few positive samples and many negative samples skews the decision boundary towards the positive ones, leading the model to over-reject out-of-distribution data, even from known classes in unseen domains. In this paper, we propose a novel meta-learning stategy called dualistic MEta-learning with joint DomaIn-Class matching (MEDIC), which considers implicit gradient matching towards inter-domain and inter-class task splits simultaneously to find optimal boundaries balanced for both domains and classes. Experimental results show that MEDIC not only outperforms prior methods in open set scenarios, but also maintains competitive close set generalization ability.
• Abstract（参考訳）: ドメインの一般化は、複数のソースドメインから学習し、見えないターゲットドメインに一般化する。 しかし、ソースとターゲット間のラベルミスマッチの現実的なケースを無視することが多い。 開集合領域の一般化は、見知らぬ領域における見つからないクラスを認識するために提案される。 単純なアプローチでは、1-vs-all分類器を訓練し、各クラスを分離し、未知の値として外れ値を検出する。 しかし、少数の正のサンプルと多くの負のサンプルの不均衡は、決定境界を正のサンプルに向かって歪め、未知の領域の既知のクラスからでも、そのモデルが分布外データを過剰に排除する。 本稿では、ドメイン間およびクラス間タスク分割に対する暗黙的な勾配マッチングを同時に検討し、ドメインとクラスの両方でバランスの取れた最適境界を求める、DomaIn-Class matching (MEDIC) を用いた二元性メタラーニング(Dualistic Meta-learning)と呼ばれる新しいメタラーニングステートギーを提案する。 実験結果から,MEDICはオープンセットのシナリオにおいて先行メソッドよりも優れるだけでなく,競合するクローズセットの一般化能力も維持できることがわかった。

関連論文リスト

• Generalizable Decision Boundaries: Dualistic Meta-Learning for Open Set Domain Generalization [27.027034515404175]
  We propose a novel framework called dualistic Meta-learning with joint DomaIn-Class matching (MEDIC)。 その結果、MEDICはオープンセットのシナリオにおいて従来の手法よりも優れるだけでなく、競合するクローズドセットの一般化能力も同時に維持することを示した。
  論文  参考訳（メタデータ） (2023-08-18T08:46:02Z)
• Self-Paced Learning for Open-Set Domain Adaptation [50.620824701934]
  従来のドメイン適応手法は、ソースとターゲットドメインのクラスが同一であると仮定する。 オープンセットドメイン適応(OSDA)は、この制限に対処する。 そこで,本研究では,共通クラスと未知クラスを識別するための自己評価学習に基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-10T14:11:09Z)
• Multi-Domain Long-Tailed Learning by Augmenting Disentangled Representations [80.76164484820818]
  多くの現実世界の分類問題には、避けられない長い尾のクラスバランスの問題がある。 本稿では,この多領域長鎖学習問題について検討し,すべてのクラスとドメインにまたがってよく一般化されたモデルを作成することを目的とする。 TALLYは、選択的均衡サンプリング戦略に基づいて、ある例のセマンティック表現と別の例のドメイン関連ニュアンスを混合することでこれを達成している。
  論文  参考訳（メタデータ） (2022-10-25T21:54:26Z)
• Domain Generalization via Selective Consistency Regularization for Time Series Classification [16.338176636365752]
  ドメイン一般化手法は、限られた数のソースドメインからのデータで、ドメインシフトに頑健なモデルを学習することを目的としている。 本稿では,ソースドメイン間の予測一貫性を選択的に適用する表現学習手法を提案する。
  論文  参考訳（メタデータ） (2022-06-16T01:57:35Z)
• Adaptive Methods for Aggregated Domain Generalization [26.215904177457997]
  多くの設定において、プライバシに関する懸念は、トレーニングデータサンプルのドメインラベルを取得することを禁止している。 本稿では,この問題に対するドメイン適応的アプローチを提案する。 提案手法は,ドメインラベルを使わずに,様々な領域一般化ベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-12-09T08:57:01Z)
• Domain Generalization via Semi-supervised Meta Learning [7.722498348924133]
  ラベルのないサンプルを活用するための領域一般化法を提案する。 メタ学習アプローチによってトレーニングされ、入力されたソースドメインと見えないターゲットドメイン間の分散シフトを模倣する。 ベンチマークデータセットによる実験結果から,DGは最先端領域の一般化や半教師付き学習方法よりも優れていた。
  論文  参考訳（メタデータ） (2020-09-26T18:05:04Z)
• Universal Domain Adaptation through Self Supervision [75.04598763659969]
  教師なし領域適応法は、全てのソースカテゴリが対象領域に存在すると仮定する。 本稿では、任意のカテゴリシフトを処理するために、エントロピー最適化(DANCE)によるドメイン適応近傍クラスタリングを提案する。 我々は、DANCEがオープンセット、オープンパーティル、部分的なドメイン適応設定でベースラインより優れていることを示す広範な実験を通して示す。
  論文  参考訳（メタデータ） (2020-02-19T01:26:11Z)

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。