論文の概要: Chaos Is a LADDER: Domain Generalization Beyond Invariance via Reweighting
- arxiv url: http://arxiv.org/abs/2607.26458v1
- Date: Wed, 29 Jul 2026 04:18:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.536929
- Title: Chaos Is a LADDER: Domain Generalization Beyond Invariance via Reweighting
- Title（参考訳）: カオスはLADDER:再重み付けによる不変性を超えたドメインの一般化
- 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び、見えないターゲットドメインに一般化することを目的としている。
因果表現を学習し,エンコーダを凍結する固定モデルDGパイプラインであるLADDERを提案する。
シミュレーション, FMoW, 位置群iWildCamプロトコルにおいて, ソース再重み付けの理論的保証を確立し, LADDERの検証を行う。
- 参考スコア（独自算出の注目度）: 5.794007659596176
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain generalization (DG) aims to learn from multiple source domains and generalize to unseen target domains. Most DG methods pursue invariance: they seek a causal representation whose prediction rule is invariant across domains. This principle is effective when the causal mechanism is stable, but becomes restrictive when the domain itself modulates how causal content maps to the response. In this case, directly feeding domain style into the predictor can create misleading shortcuts, since style does not by itself cause the response. Yet the apparent chaos of multiple styles can become a ladder: style can locate the unseen target domain among source domains and guide which domain-dependent prediction rules should be trusted. We propose \emph{Latent Adaptive Domain Disentanglement and Environment Reweighting} (LADDER), a fixed-model DG pipeline that learns causal/style representations, freezes the encoders, fits source-specific classifiers, and uses an unlabeled target-domain covariate set only at inference to compute weights over these fixed classifiers, with no target labels or model-state updates. We establish theoretical guarantees for source reweighting and validate LADDER on simulations, FMoW, and a location-grouped iWildCam protocol, with gains in overall and group-averaged accuracy.
- Abstract（参考訳）: ドメイン一般化(DG)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ことを目的としている。
ほとんどのDG法は不変性を追求し、予測規則が領域間で不変である因果表現を求める。
この原理は因果的機構が安定であるときに有効であるが、ドメイン自体が因果的内容が応答にどのようにマッピングされるかを変更すると制限される。
この場合、ドメインスタイルを直接予測子に入力すると、スタイル自体が応答を引き起こすわけではないため、誤解を招くショートカットが発生する。
スタイルはソースドメインの中で目に見えないターゲットドメインを見つけ出し、どのドメインに依存した予測ルールを信頼すべきかをガイドすることができる。
我々は、因果/スタイル表現を学習し、エンコーダを凍結し、ソース固有の分類器に適合させる固定モデルDGパイプラインである \emph{Latent Adaptive Domain Disentanglement and Environment Reweighting} (LADDER) を提案する。
我々は、シミュレーション、FMoW、位置グループ化されたiWildCamプロトコルにおいて、ソース再重み付けを理論的に保証し、LADDERを検証し、全体の精度とグループ平均精度を向上する。
関連論文リスト
- Learning Subset-Shared Invariances for Domain Generalization with Mixture-of-Experts [3.893189161468321]
ドメインの一般化は、1つ以上のソースドメインから、目に見えないターゲットドメインに一般化するモデルを学ぶことを目的としています。
共通のアプローチは、予測構造がグローバルに共有されていると仮定して、すべてのソースドメインにまたがる表現の不変性を強制する。
予測構造は領域部分集合内でのみ安定であると仮定する部分集合共有不変性を提案する。
論文 参考訳（メタデータ） (2026-06-24T10:24:57Z) - How Useful is Causal Invariance for Domain Adaptation in Finite-Sample Settings? [58.740078141879984]
機械学習モデルは、トレーニングされたソースディストリビューションとは異なるターゲットディストリビューションにデプロイされると、しばしば劣化する。
因果関係に基づく領域一般化における最近の研究は、共用因果構造が不変な予測因子を誘導する方法を示している。
本稿では,完全あるいは部分的な因果知識が,教師付きドメイン適応を確実に改善できるかどうかについて検討する。
論文 参考訳（メタデータ） (2026-06-10T21:07:49Z) - A Turn Toward Better Alignment: Few-Shot Generative Adaptation with Equivariant Feature Rotation [67.2019317630466]
少ない撮影画像生成は、ごく少数の訓練画像を用いて、ソース生成モデルをターゲット領域に効果的に適応することを目的としている。
Equivariant Feature Rotation (EFR) は、ソースドメインとターゲットドメインを2つの相補的なレベルで整列させる新しい適応戦略である。
本手法は,対象領域内の生成性能を著しく向上させる。
論文 参考訳（メタデータ） (2025-12-24T13:48:22Z) - DAdEE: Unsupervised Domain Adaptation in Early Exit PLMs [5.402030962296633]
Early Exit(EE)戦略は、中間層にアタッチされた分類器からサンプルを退避させることによって問題に対処する。
本稿では,知識蒸留を用いた多段階適応を用いた非教師付き領域適応型EEフレームワーク(DADEE)を提案する。
感情分析、エンテーメント分類、自然言語推論などのタスクの実験は、DADEEが早期出口法を一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2024-10-06T09:44:58Z) - 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) - Adaptive Domain Generalization via Online Disagreement Minimization [17.215683606365445]
ドメインの一般化は、モデルを目に見えないターゲットのドメインに安全に転送することを目的としています。
AdaODMは、異なるターゲットドメインに対するテスト時にソースモデルを適応的に修正する。
その結果,AdaODMは未確認領域の一般化能力を安定的に向上することがわかった。
論文 参考訳（メタデータ） (2022-08-03T11:51:11Z) - 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) - Generalizable Representation Learning for Mixture Domain Face
Anti-Spoofing [53.82826073959756]
ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。
ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。
この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
論文 参考訳（メタデータ） (2021-05-06T06:04:59Z) - Domain Adaptation and Image Classification via Deep Conditional
Adaptation Network [26.09932710494144]
教師なしドメイン適応は、ソースドメインでトレーニングされた教師付きモデルをラベルなしのターゲットドメインに一般化することを目的としている。
特徴空間のマージ分布アライメントは、ソースとターゲットのドメイン間のドメインの差を減らすために広く用いられている。
本稿では,特徴空間の条件分布アライメントに基づく非教師なし領域適応手法であるDeep Conditional Adaptation Network (DCAN)を提案する。
論文 参考訳（メタデータ） (2020-06-14T02:56:01Z) - A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation [142.31610972922067]
この研究は、特にターゲットドメインのクラスラベルがソースドメインのサブセットである場合に、教師なしのドメイン適応問題に対処する。
本稿では,ドメイン逆境学習に基づく新しいドメイン適応手法 BA$3$US を提案し,BAA(Ba balanced Adversarial Alignment)とAUS(Adaptive Uncertainty Suppression)の2つの新しい手法を提案する。
複数のベンチマーク実験の結果、BA$3$USが部分的なドメイン適応タスクの最先端を超越していることが示されている。
論文 参考訳（メタデータ） (2020-03-05T11:37:06Z)
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。