論文の概要: COSMO: Consensus-Driven Shift Modulation for Source-Free Domain Adaptation

• arxiv url: http://arxiv.org/abs/2608.04604v1
• Date: Wed, 05 Aug 2026 09:10:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.792563
• Title: COSMO: Consensus-Driven Shift Modulation for Source-Free Domain Adaptation
• Title（参考訳）: COSMO: ソースフリードメイン適応のための合意駆動シフト変調
• Authors: Bo Li, Junjie Peng, Xiaohua Xie, Jianhuang Lai,
• Abstract要約: ソースフリードメイン適応(SFDA)は、ソースデータなしでラベルなしのターゲットドメインにソーストレーニングされたモデルを適用する。 VLM誘導型SFDAを標本単位の信頼性割当問題として定式化する。 本稿では,専門家から専門家への指導を協調適応に置き換えるために,COSMO(Consensus-Driven Shift Modulation)を提案する。
• 参考スコア（独自算出の注目度）: 79.43842208099619
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Source-free domain adaptation (SFDA) adapts a source-trained model to an unlabeled target domain without source data, a practical setting under privacy or storage constraints. Yet its self-generated supervision can reinforce source bias under substantial domain shifts. Pretrained vision-language models (VLMs) offer complementary semantic knowledge, but the relative reliability of the source model and VLM varies across target samples. Existing cross-model guidance does not explicitly account for this variation and may overwrite valid source-derived evidence under conflict, a failure we term source-derived evidence forgetting. We formulate VLM-guided SFDA as a sample-wise reliability-allocation problem and propose Consensus-Driven Shift Modulation (COSMO). COSMO replaces expert-to-expert guidance with co-adaptation through an anchored shared consensus. It first forms a sample-specific initial consensus that favors the more concentrated prediction. During adaptation, COSMO re-aggregates both branches' evolving evidence and regulates how far the resulting consensus moves from its initial anchor based on consensus uncertainty and training progress. This keeps the shared supervision anchored yet adaptive. Across four benchmarks, COSMO achieves state-of-the-art performance under matched VLM backbones. Further analyses indicate that it better balances the retention of valid source-derived evidence with the absorption of complementary VLM evidence.
• Abstract（参考訳）: ソースフリードメイン適応(SFDA)は、ソースデータのないラベルなしのターゲットドメインにソーストレーニングされたモデルを適用する。 しかし、その自己生成的な監視は、実質的なドメインシフトの下でソースバイアスを強化することができる。 事前訓練された視覚言語モデル(VLM)は相補的な意味的知識を提供するが、ソースモデルとVLMの相対的信頼性はターゲットサンプルによって異なる。 既存のクロスモデルガイダンスは、このバリエーションを明示的に説明せず、競合の下で有効なソース由来の証拠を上書きする可能性がある。 我々は, VLM誘導型SFDAをサンプル単位の信頼性割当問題として定式化し, コンセンサス駆動シフト変調(COSMO)を提案する。 COSMOは専門家から専門家へのガイダンスを、固定された共有コンセンサスを通じて、共同適応に置き換える。 最初は、より集中した予測を好むサンプル固有の初期コンセンサスを形成する。 適応中、COSMOは両方の枝の進化した証拠を再集約し、コンセンサスの不確実性とトレーニングの進捗に基づいて、結果のコンセンサスが初期アンカーからどこまで移動するかを規制する。 これにより、共有の監視はアンロックされるが、適応性は保たれる。 4つのベンチマークで、COSMOは一致するVLMバックボーンの下で最先端のパフォーマンスを達成する。 さらなる分析は、有効なソース由来の証拠の保持と相補的なVLM証拠の吸収とのバランスが良いことを示している。

関連論文リスト

• CARGO-VL: Counterfactual Arbitration with Risk-Constrained Group Optimization for Vision-Language Models [2.038560872025072]
  視覚言語システムは、画像と検索されたテキストを組み合わせるが、これらの情報源は意見の相違や、共同で回答をサポートしない可能性がある。 CARGO-VL(CARGO-VL)は、一致、画像補正、テキスト訂正、および両筆(A/V/T/N)エビデンス状態をカバーする、一致した変種を最適化するグループ相対フレームワークである。 また,4条件のコンフリクトトレーニングリソースであるXMC(eXtended Modal Conflict)をコントリビュートし,CMC-BenchとModality-Biasの移行を評価する。
  論文  参考訳（メタデータ） (2026-08-05T06:47:46Z)
• Progressive Multi-Source Domain Adaptation for Personalized Facial Expression Recognition [64.37805399216347]
  パーソナライズされた表情認識(FER)では、ラベル付きソースとラベルなしターゲットドメインのサンプルを使用して機械学習モデルを適用する。 本稿では,対象者との類似性に基づいて,段階的なMSDA手法を提案する。
  論文  参考訳（メタデータ） (2025-04-05T19:14:51Z)
• Unified Source-Free Domain Adaptation [41.90015041165936]
  統合食品医薬品局(SFDA)における潜在因果因子発見の新たなアプローチを提案する。 現実の統計的記述の学習を強調する従来の代替手段とは対照的に、因果性の観点からCausalDAを定式化する。 広義の世界知識を統合するために、CLIPのような事前学習された視覚言語モデルを利用する。
  論文  参考訳（メタデータ） (2024-03-12T12:40:08Z)
• Continual Source-Free Unsupervised Domain Adaptation [37.060694803551534]
  既存のソースフリーのUnsupervised Domain Adaptationアプローチは破滅的な忘れを見せる。 本稿では,SuDAの継続的な学習環境における課題に対応するための連続的なSUDA(C-SUDA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-14T20:11:05Z)
• CoSDA: Continual Source-Free Domain Adaptation [78.47274343972904]
  ソースデータにアクセスせずに、ソースフリードメイン適応(SFDA)は、ソースドメインのトレーニングされたモデルからターゲットドメインに知識を転送する。 最近では、ソースドメインのデータプライバシ保護の必要性から、SFDAの人気が高まっている。 教師-学生モデルペアを2倍高速に最適化し,整合性学習機能を備えた,CoSDAという連続的ソースフリードメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2023-04-13T15:53:23Z)
• 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)
• Balancing Discriminability and Transferability for Source-Free Domain Adaptation [55.143687986324935]
  従来のドメイン適応(DA)技術は、ドメイン不変表現を学習することでドメイン転送性を改善することを目的としている。 ラベル付けされたソースとラベル付けされていないターゲットへの同時アクセス要件は、ソースフリーなDA設定に適さない。 そこで本研究では,原文と翻訳サンプルの混在が識別可能性と伝達可能性のトレードオフを促進することを示す新しい知見を導出する。
  論文  参考訳（メタデータ） (2022-06-16T09:06:22Z)
• Universal Source-Free Domain Adaptation [57.37520645827318]
  ドメイン適応のための新しい2段階学習プロセスを提案する。 Procurementの段階では、今後のカテゴリギャップやドメインシフトに関する事前知識を前提とせず、将来的なソースフリーデプロイメントのためのモデルの提供を目標としています。 Deploymentの段階では、幅広いカテゴリギャップをまたいで動作可能な統一適応アルゴリズムを設計することを目的としている。
  論文  参考訳（メタデータ） (2020-04-09T07:26:20Z)

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。