論文の概要: Where Detectors Fail: Closing the Tail-Domain Gap with Expert-Guided Mutual Distillation

• arxiv url: http://arxiv.org/abs/2607.26555v1
• Date: Wed, 29 Jul 2026 07:27:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.567974
• Title: Where Detectors Fail: Closing the Tail-Domain Gap with Expert-Guided Mutual Distillation
• Title（参考訳）: 検知器が機能しない場所:エキスパートガイドによる相互蒸留で土壌-ドメインギャップを閉鎖する
• Abstract要約: EGMD(Expert-Guided Mutual Distillation)は、予測パイプライン全体で信頼できる証拠を学習する。 EGMDは最先端の精度を達成し、ドメインバイアスを最大57.3%削減する。
• 参考スコア（独自算出の注目度）: 20.50391194844207
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal fake news detectors often generalize poorly across domains because they learn to trust unreliable evidence: domain-specific shortcuts amplified by imbalanced data and semantically inconsistent text-image pairs that make cross-modal evidence unreliable. We propose Expert-Guided Mutual Distillation (EGMD), which learns what evidence to trust across the prediction pipeline. At the input level, input-level calibration encodes pair-level coherence as a shared gain before fusion. At the representation level, an expert-guided teacher aligns domain statistics and encourages domain-specific patterns to concentrate in specialized experts. At the decision level, prototype-anchored domain-specific students use mutual learning and dual-channel distillation to inherit the teacher's feature geometry and calibrated predictions while discouraging local domain priors. We further construct Weibo_Balanced, a domain-balanced benchmark that isolates the effect of imbalance on generalization. Across four datasets in two languages, EGMD achieves state-of-the-art accuracy while reducing domain bias by up to 57.3%.
• Abstract（参考訳）: ドメイン固有のショートカットは不均衡なデータによって増幅され、意味的に一貫性のないテキストイメージのペアで、クロスモーダルなエビデンスを信頼できないものにしている。 本稿では,予測パイプライン全体にわたって信頼すべき証拠を学習するEGMD(Expert-Guided Mutual Distillation)を提案する。 入力レベルでは、入力レベルのキャリブレーションは、融合前の共有利得としてペアレベルのコヒーレンスを符号化する。 表現レベルでは、専門家が指導する教師がドメイン統計を整列し、専門の専門家に集中するようにドメイン固有のパターンを奨励する。 決定レベルでは, 試作校正ドメイン特化学生は相互学習と二重チャネル蒸留を用いて, 教師の特徴幾何学と校正予測を継承し, 地域ドメイン先行を回避している。 さらに、一般化に対する不均衡の影響を分離するドメインバランスのベンチマークであるWeibo_Balancedを構築する。 2つの言語の4つのデータセットで、EGMDは最先端の精度を達成し、ドメインバイアスを最大57.3%削減する。

関連論文リスト

• Consolidating RLVR Capabilities Across Domains: A Deep Dive into Fusion Paradigms [50.28963615440865]
  再利用した人工物によって3つの融合パラダイムを編成する。 モデルスケールとマルチベンチマークスイートで、共有専門家とデータを使用して、これら3つを比較します。
  論文  参考訳（メタデータ） (2026-08-27T17:38:04Z)
• Trust-Aware Joint Feature-Prediction Discrepancy for Robust Domain Adaptation [8.651700235973223]
  我々は、特徴信号と予測信号の信頼性を通じて、ドメインの不一致をモデル化する原則付きフレームワークである、信頼を意識したドメイン適応を導入する。 標準ベンチマークの実験では、提案したフレームワークが常に優れた適応性能を達成できることが示されている。
  論文  参考訳（メタデータ） (2026-05-24T15:05:34Z)
• Balanced Learning for Domain Adaptive Semantic Segmentation [37.70100155953312]
  意味的セグメンテーションのための教師なしドメイン適応(UDA)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へ知識を転送することを目的としている。 UDAにおける自己学習技術の有効性にもかかわらず、各クラスは、固有のクラス不均衡とデータとドメイン間のラベル空間の分散シフトのために、バランスの取れた方法で学習するのに苦労している。 本稿では,分布シフトに関する事前知識を必要とせずに,クラスバイアスを直接評価・緩和するための新しいアプローチであるBallotd Learning for Domain Adaptation (BLDA)を提案する。
  論文  参考訳（メタデータ） (2025-12-07T15:21:22Z)
• DEER: Disentangled Mixture of Experts with Instance-Adaptive Routing for Generalizable Machine-Generated Text Detection [21.449323711668487]
  ドメイン固有のMGTパターンとドメイン一般MGTパターンの両方をキャプチャする新しいフレームワークを提案する。 我々は、ドメイン固有の専門家が人間と機械が生成するテキストのドメイン局所的な微粒化を学習する、エキスパートの混在モジュールを紹介した。 また、各入力インスタンスに対して適切な専門家を動的に選択する強化学習に基づくルーティング機構を設計する。
  論文  参考訳（メタデータ） (2025-11-03T03:36:48Z)
• Making the Best of Both Worlds: A Domain-Oriented Transformer for Unsupervised Domain Adaptation [31.150256154504696]
  Unsupervised Domain Adaptation (UDA)は、限られた実験データセットから現実の制約のないドメインへのディープラーニングの展開を促進する。 ほとんどのUDAアプローチは、共通の埋め込み空間内の機能を整列させ、ターゲット予測に共有分類器を適用する。 本稿では,異なる領域に着目した2つの個別空間における特徴アライメントを同時に実施し,各領域に対してドメイン指向の分類器を作成することを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:38:37Z)
• META: Mimicking Embedding via oThers' Aggregation for Generalizable Person Re-identification [68.39849081353704]
  Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。 本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T08:06:50Z)
• Instrumental Variable-Driven Domain Generalization with Unobserved Confounders [53.735614014067394]
  ドメイン一般化(Domain Generalization, DG)は、複数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をうまく一般化できるモデルを学ぶことを目的としている。 観測不能な共同創設者のバイアスを2段階学習で除去し,インストゥルメンタル変数駆動型DG法(IV-DG)を提案する。 第1段階では、あるドメインの入力特徴の条件分布を他のドメインの入力特徴の条件分布として学習する。 第2段階では,ラベルと学習条件分布の関係を推定する。
  論文  参考訳（メタデータ） (2021-10-04T13:32:57Z)
• Dual-Teacher++: Exploiting Intra-domain and Inter-domain Knowledge with Reliable Transfer for Cardiac Segmentation [69.09432302497116]
  最先端の半教師付きドメイン適応フレームワークである Dual-Teacher++ を提案する。 ソースドメイン(MRなど)からのクロスモダリティ優先度を探索するドメイン間教師モデルと、ラベルのないターゲットドメインの知識を調査するドメイン内教師モデルを含む、新しいデュアル教師モデルを設計する。 このようにして、学生モデルは信頼できる二重ドメイン知識を得て、ターゲットドメインデータのパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2021-01-07T05:17:38Z)
• Towards Fair Knowledge Transfer for Imbalanced Domain Adaptation [61.317911756566126]
  本研究では,不均衡なドメイン間学習における公平性問題に対処するTowards Fair Knowledge Transferフレームワークを提案する。 具体的には、新規なクロスドメインミックスアップ生成を利用して、ターゲット情報でマイノリティソースセットを増強し、公正性を高める。 本モデルでは,2つのベンチマークで全体の精度を20%以上向上させる。
  論文  参考訳（メタデータ） (2020-10-23T06:29:09Z)
• Domain Adaptive Ensemble Learning [141.98192460069765]
  両問題に対処するため,ドメイン適応アンサンブル学習(DAEL)という統合フレームワークを提案する。 3つのマルチソースUDAデータセットと2つのDGデータセットの実験により、DAELは両方の問題、しばしば大きなマージンによって、技術の状態を改善することが示された。
  論文  参考訳（メタデータ） (2020-03-16T16:54:15Z)
• Mind the Gap: Enlarging the Domain Gap in Open Set Domain Adaptation [65.38975706997088]
  オープンセットドメイン適応(OSDA)は、ターゲットドメインに未知のクラスが存在することを前提としている。 既存の最先端手法は、より大きなドメインギャップが存在する場合、かなりの性能低下を被ることを示す。 我々は、より大きなドメインギャップに特に対処するための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） (2020-03-08T14:20:24Z)

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。