論文の概要: Multi-Scale Temporal Domain Alignment for Federated Video Domain Adaptation

• arxiv url: http://arxiv.org/abs/2608.29186v1
• Date: Sat, 29 Aug 2026 10:43:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.869934
• Title: Multi-Scale Temporal Domain Alignment for Federated Video Domain Adaptation
• Title（参考訳）: フェデレーションビデオ領域適応のためのマルチスケール時間領域アライメント
• Abstract要約: 本稿では,複数の解像度で時間情報を活用する新しいフレームワークを提案する。 Epic-Kitchens-55とDaily-DAの実験は最先端のパフォーマンスを示し、現在のFDA法よりも28.47%向上している。
• 参考スコア（独自算出の注目度）: 15.040131883074572
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Federated Video Domain Adaptation (FVDA) enables collaborative learning across distributed and non-IID video datasets while preserving privacy, but is under-explored due to challenges in aligning temporal information. We propose Multi-scalE Temporal domAin aLignment (METAL), a novel framework that leverages temporal information at multiple resolutions to improve cross-domain video action recognition with only model parameter transfers. METAL trains per-scale transformer encoders on source-clients, then performs independent knowledge voting at each temporal scale to generate robust pseudo-labels on the target-server. A novel $L_2$ variance penalty enforces cross-scale consistency during scale-based knowledge distillation, preventing a singular dominant scale. The late fusion aggregates features across different scales, where the fusion head is trained via knowledge distillation using confidence-weighted aggregation of scale-wise predictions, enabling the model to effectively exploit complementary temporal information for final predictions. Experiments on Epic-Kitchens-55 and Daily-DA demonstrate state-of-the-art performances, with gains up to 28.47% over current FDA methods. Ablation studies prove that multi-scale distillation and scale coordination are critical for effective temporal knowledge transfer.
• Abstract（参考訳）: Federated Video Domain Adaptation (FVDA)は、プライバシを保護しながら、分散および非IIDビデオデータセット間の協調学習を可能にする。 我々は,複数解像度の時間情報を活用する新しいフレームワークであるMulti-ScalE Temporal domAin aLignment (METAL)を提案する。 METALはソース・クライアント上で1スケールのトランスフォーマー・エンコーダを訓練し、各時間スケールで独立した知識投票を行い、ターゲットサーバ上で堅牢な擬似ラベルを生成する。 新規な$L_2$分散ペナルティは、スケールベースの知識蒸留において、クロススケールな一貫性を強制し、特異な支配的なスケールを防ぐ。 後期融合は、異なるスケールにまたがって特徴を集約し、融合ヘッドは、信頼度重み付けされたスケールワイド予測による知識蒸留によって訓練され、最終的な予測に補完的な時間情報を効果的に活用することができる。 Epic-Kitchens-55とDaily-DAの実験は最先端のパフォーマンスを示し、現在のFDA法よりも28.47%向上している。 アブレーション研究は、多スケール蒸留とスケール調整が効果的な時間的知識伝達に重要であることを証明している。

関連論文リスト

• Hierarchical Multi-to-Single-Modal Knowledge Distillation for Disruption Prediction in EAST [16.625917870779237]
  プラズマ破壊は時間的安全にとって重要な脅威であり、既存のデータ駆動予測器は主に時系列診断信号に依存している。 同期型マルチモーダルデータセット上での破壊予測のための階層型マルチツーシングルモーダル知識蒸留フレームワークを提案する。 その結果,提案フレームワークは推論コストを大幅に削減しつつ,マルチモーダル学習の差別的優位性を保ち,EASTにおける効率的な破壊予測のための効果的な経路を提供することができた。
  論文  参考訳（メタデータ） (2026-07-05T11:34:23Z)
• DDTime: Dataset Distillation with Spectral Alignment and Information Bottleneck for Time-Series Forecasting [28.005308500582405]
  時系列予測は多くの領域で基本となっているが、正確なモデルを訓練するには大規模なデータセットと計算資源が必要となることが多い。 本稿では,一階凝縮分解に基づく軽量・プラグイン蒸留フレームワークDDTimeを提案する。 DDTimeは既存の蒸留法を一貫して上回り、約30%の精度向上を実現し、約2.49%の計算オーバーヘッドを導入した。
  論文  参考訳（メタデータ） (2025-11-20T16:50:09Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Patch Spatio-Temporal Relation Prediction for Video Anomaly Detection [19.643936110623653]
  ビデオ異常検出(VAD)は、特定のコンテキストと時間枠内の異常を識別することを目的としている。 近年の深層学習に基づくVADモデルは,高解像度フレームの生成によって有望な結果を示した。 本稿では, パッチ間関係予測タスクを通じて, VADの自己教師型学習手法を提案する。
  論文  参考訳（メタデータ） (2024-03-28T03:07:16Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Confidence Attention and Generalization Enhanced Distillation for Continuous Video Domain Adaptation [62.458968086881555]
  連続ビデオドメイン適応(CVDA、Continuous Video Domain Adaptation)は、ソースモデルが個々の変更対象ドメインに適応する必要があるシナリオである。 CVDAの課題に対処するため,遺伝子組み換え型自己知識解離(CART)を用いた信頼性保証ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-18T16:40:10Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Unsupervised Video Domain Adaptation for Action Recognition: A Disentanglement Perspective [37.45565756522847]
  我々は2つの潜在要因からドメイン間ビデオを生成することを検討する。 TranSVAEフレームワークはそのような世代をモデル化するために開発される。 UCF-HMDB、Jester、Epic-Kitchensデータセットの実験は、TranSVAEの有効性と優位性を検証する。
  論文  参考訳（メタデータ） (2022-08-15T17:59:31Z)
• A Differential Attention Fusion Model Based on Transformer for Time Series Forecasting [4.666618110838523]
  時系列予測は、機器ライフサイクル予測、天気予報、交通流予測などの分野で広く利用されている。 一部の学者は、この強力な並列トレーニング能力のために、Transformerを時系列予測に適用しようと試みている。 既存のTransformerメソッドは、予測において決定的な役割を果たす小さな時間セグメントに十分な注意を払わない。
  論文  参考訳（メタデータ） (2022-02-23T10:33:12Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)

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。