Fugu-MT 論文翻訳(概要): SGN: A Similarity-based Generative Network for Data Generation under Distribution Shift

論文の概要: SGN: A Similarity-based Generative Network for Data Generation under Distribution Shift

arxiv url: http://arxiv.org/abs/2607.18072v1
Date: Mon, 20 Jul 2026 15:40:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-21 18:48:37.685385
Title: SGN: A Similarity-based Generative Network for Data Generation under Distribution Shift
Title（参考訳）: SGN:分散シフト下におけるデータ生成のための類似性に基づく生成ネットワーク
Abstract要約: 類似性に基づく生成ネットワーク(SGN)は、ラベル付きソースデータに基づいてトレーニングされ、パラメータ更新なしで新しいターゲットドメインに適用される再利用可能なフレームワークである。 SGNは、エンコーダ・デコーダアーキテクチャを通して再構成情報を保存しながら、ラベルによるペアワイズ類似性によって構成された潜時空間を学習する。
参考スコア（独自算出の注目度）: 14.356291545114095
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Generative models trained on a source domain often produce samples that are poorly aligned with shifted target domains, limiting their effectiveness for target-domain data augmentation. Although target-specific adaptation can reduce this mismatch, it typically requires additional optimization and domain-specific parameters. We propose a Similarity-based Generative Network (SGN), a reusable framework that is trained once on labeled source data and applied to new target domains without parameter updates. SGN learns a latent space structured by label-induced pairwise similarities while preserving reconstructive information through an encoder-decoder architecture. At generation time, a small labeled representative set from the target domain is encoded and combined in the learned latent space, allowing the generated samples to inherit target-specific characteristics while maintaining class consistency. We further analyze the realizability and dimensionality requirements of the proposed similarity structure. Experiments on image and tabular datasets demonstrate the effectiveness of SGN for target-guided data augmentation under source-to-target distribution shifts.
Abstract（参考訳）: ソースドメインでトレーニングされた生成モデルは、しばしば、シフトしたターゲットドメインと不整合なサンプルを生成し、ターゲットドメインデータ拡張の有効性を制限する。ターゲット固有の適応は、このミスマッチを減らすことができるが、通常、追加の最適化とドメイン固有のパラメータを必要とする。我々は、ラベル付きソースデータに基づいて一度トレーニングし、パラメータを更新せずに新しいターゲットドメインに適用する再利用可能なフレームワークである、類似性に基づく生成ネットワーク(SGN)を提案する。 SGNは、エンコーダ・デコーダアーキテクチャを通して再構成情報を保存しながら、ラベルによるペアワイズ類似性によって構成された潜時空間を学習する。生成されたサンプルは、クラス一貫性を維持しつつ、ターゲットドメインからの小さなラベル付き代表セットを符号化して学習潜在空間に結合する。さらに、提案した類似性構造の実現可能性および次元性要件について分析する。画像と表のデータセットを用いた実験は、ソース・ツー・ターゲット分散シフト下でのターゲット誘導データ増大に対するSGNの有効性を示す。

関連論文リスト

Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
論文参考訳（メタデータ） (2024-10-09T15:15:40Z)
Semi Supervised Heterogeneous Domain Adaptation via Disentanglement and Pseudo-Labelling [4.33404822906643]
半教師付きドメイン適応法は、ソースラベル付きドメインからの情報を利用して、少ないラベル付きターゲットドメインを一般化する。このような設定は半教師付き不均質ドメイン適応(SSHDA)と表記される。 SHEDD(Semi-supervised Heterogeneous Domain Adaptation via Disentanglement)は,対象ドメインの学習に適したエンドツーエンドのニューラルネットワークフレームワークである。
論文参考訳（メタデータ） (2024-06-20T08:02:49Z)
StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
論文参考訳（メタデータ） (2024-06-01T02:41:34Z)
Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
論文参考訳（メタデータ） (2024-01-21T09:57:56Z)
Adaptive Semantic Consistency for Cross-domain Few-shot Classification [27.176106714652327]
クロスドメイン・ショット分類(CD-FSC)は、いくつかのサンプルを用いて新規なターゲットクラスを特定することを目的としている。本稿では,ドメイン間の堅牢性を向上する,シンプルなプラグアンドプレイ適応セマンティック一貫性フレームワークを提案する。提案したASCは、ソースドメインの知識を明示的に伝達することで、モデルがターゲットドメインに過度に適合しないようにする。
論文参考訳（メタデータ） (2023-08-01T15:37:19Z)
Target-Aware Generative Augmentations for Single-Shot Adaptation [21.840653627684855]
我々は、ソースドメインからターゲットドメインへのモデル適応のための新しいアプローチを提案する。 SiSTAは、単一ショットターゲットを用いてソースドメインから生成モデルを微調整し、その後、合成ターゲットデータをキュレートするための新しいサンプリング戦略を用いる。顔検出や多クラス物体認識において,SiSTAは既存のベースラインよりも大幅に向上していることがわかった。
論文参考訳（メタデータ） (2023-05-22T17:46:26Z)
Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
論文参考訳（メタデータ） (2022-11-12T09:21:49Z)
Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。 DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
論文参考訳（メタデータ） (2021-06-30T03:17:20Z)
Semi-Supervised Domain Adaptation via Adaptive and Progressive Feature Alignment [32.77436219094282]
SSDASはラベル付きターゲットサンプルを、ラベル付きソースサンプルとラベルなしターゲットサンプルの間に適応的かつプログレッシブな特徴アライメントのためのアンカーとして採用している。さらに、反復学習過程において、異種音源の特徴を高信頼目標特徴に置き換える。広範な実験により、提案されたSSDASは、多くのベースラインを大きく上回っている。
論文参考訳（メタデータ） (2021-06-05T09:12:50Z)
Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
論文参考訳（メタデータ） (2021-04-03T01:33:14Z)
Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
論文参考訳（メタデータ） (2020-12-08T08:52:00Z)

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。