論文の概要: Transfer Learning for Evolving Domains
- arxiv url: http://arxiv.org/abs/2609.13039v1
- Date: Fri, 11 Sep 2026 16:37:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.80924
- Title: Transfer Learning for Evolving Domains
- Title（参考訳）: 進化するドメインのための伝達学習
- Abstract要約: 我々は、伝達学習問題として、進化ドメイン(TrED)をそれ自体で定式化する。
TrEDは、環境によって固定されたデータ可用性プロセス、メソッドが自由に選択できる学習プロトコル、評価基準によって指定される。
ほとんどの手法は単一体制に適合しており、最強の候補でさえまだ全軌道を最適化していない。
- 参考スコア（独自算出の注目度）: 10.286288574811591
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Transfer learning explores how to leverage knowledge from various tasks or domains (sources) to enhance predictive performance in related tasks or domains (targets). Typically, transfer learning research is segmented into several isolated sub-areas (such as domain generalisation, domain adaptation, or multi-domain learning), each making distinct assumptions about target data availability, namely how much data and how many labels are available at training time. However, in many real-world applications, data availability is not fixed but evolves over time, as instances and labels are progressively collected from a new domain. Each of the classical settings then describes only a snapshot of a trajectory that a deployed system must traverse in full. We formalise this trajectory as a transfer learning problem in its own right, Transfer Learning for Evolving Domains (TrED), specified by a data availability process fixed by the environment, a learning protocol that the method is free to choose, and an evaluation criterion that scores the whole trajectory of models rather than a single one. Within this formalism, the classical settings are recovered as regimes that a learner may pass through, rather than as separate problems that TrED concatenates. We then examine the transfer learning literature to identify mechanisms that are promising building blocks for a solution, and find that most methods are tailored to a single regime and that even the strongest existing candidates do not yet optimise the whole trajectory. We argue that TrED is a well-posed and unsolved problem, and an important direction for future research.
- Abstract（参考訳）: Transfer Learningは、さまざまなタスクやドメイン(ソース)からの知識を活用して、関連するタスクやドメイン(ターゲット)の予測パフォーマンスを向上させる方法を探る。
通常、トランスファーラーニング研究はいくつかの独立したサブ領域(ドメインの一般化、ドメイン適応、マルチドメインの学習など)に区分され、それぞれがターゲットデータの可用性、すなわちトレーニング時に利用可能なデータ量とラベルの数について異なる仮定を行う。
しかし、多くの現実世界のアプリケーションでは、インスタンスやラベルが新しいドメインから徐々に収集されるため、データの可用性は固定されていないが、時間とともに進化する。
古典的な設定はそれぞれ、デプロイされたシステムが完全にトラバースしなければならないトラジェクトリのスナップショットのみを記述する。
本研究では,このトラジェクトリを,それ自身で伝達学習問題として定式化し,環境によって固定されたデータアベイラビリティープロセスによって規定される伝達学習(Transfer Learning for Evolving Domains, TrED),メソッドが自由に選択できる学習プロトコル,単一ではなくモデル全体のトラジェクトリを評価する評価基準を定式化する。
この形式主義の中では、古典的な設定は、学習者が通過する可能性のあるレギュレーションとして、TrEDが連結する別の問題としてではなく、復元される。
次に、移行学習の文献を調べて、ソリューションのビルディングブロックを約束するメカニズムを特定し、ほとんどのメソッドが単一のレシエーションに適合していること、そして、最強の既存の候補でさえまだ軌道全体を最適化していないことを確認する。
我々は,TrEDは問題であり未解決であり,今後の研究にとって重要な方向であると主張している。
関連論文リスト
- Domain-Division based Progressive Learning for Source-Free Domain Adaptation [73.44692421206774]
ソースフリードメイン適応は、ソース事前訓練されたモデルとラベルなしのターゲットドメインのみを必要とする。
DPLというドメイン分割に基づくプログレッシブラーニング手法を提案する。
我々のアプローチは2つの交互段階から構成されており、それぞれが対象領域の分割から始まり、適応し易く、適応し難い状態になる。
論文 参考訳（メタデータ） (2026-07-31T09:21:56Z) - Transfer Learning through Enhanced Sufficient Representation: Enriching Source Domain Knowledge with Target Data [2.308168896770315]
TESR(Enhanced Sufficient Representation)によるトランスファーラーニング(Transfer Learning)と呼ばれる新しいトランスファーラーニング手法を提案する。
私たちのアプローチは、ソースドメインから十分かつ不変な表現を推定することから始まります。
この表現は、ターゲットデータから派生した独立したコンポーネントで拡張され、ターゲットドメインに十分で、その特定の特性に適応できることが保証される。
論文 参考訳（メタデータ） (2025-02-22T13:18:28Z) - Domain Generalizable Knowledge Tracing via Concept Aggregation and Relation-Based Attention [10.95112067894146]
本稿では,知識追跡のための領域一般化手法を提案する。
また,多様な領域からの学生同士の相互作用のシーケンスにおける概念格差を低減するために,概念集約アプローチを提案する。
運動情報を完全に活用するために,ドメイン一般化KTタスクに適した知識追跡モデルDGRKTを提案する。
論文 参考訳（メタデータ） (2024-07-02T13:13:44Z) - A Recent Survey of Heterogeneous Transfer Learning [15.830786437956144]
異種移動学習は 様々なタスクにおいて 重要な戦略となっている。
データベースとモデルベースの両方のアプローチを網羅した60以上のHTLメソッドの広範なレビューを提供する。
自然言語処理,コンピュータビジョン,マルチモーダル学習,バイオメディシンの応用について検討する。
論文 参考訳（メタデータ） (2023-10-12T16:19:58Z) - CDFSL-V: Cross-Domain Few-Shot Learning for Videos [58.37446811360741]
ビデオのアクション認識は、いくつかのラベル付き例でのみ、新しいカテゴリを認識するための効果的なアプローチである。
既存のビデオアクション認識の方法は、同じドメインからの大きなラベル付きデータセットに依存している。
本稿では,自己教師付き学習とカリキュラム学習を活用した,クロスドメインな数ショットビデオ行動認識手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T19:44:27Z) - LLEDA -- Lifelong Self-Supervised Domain Adaptation [9.71137838903781]
人間や動物は、これまで獲得した知識を失うことなく、生涯にわたって新しい情報を継続的に学習する能力を持っている。
新しい情報は古い知識と矛盾し、破滅的な忘れ物となる。
提案したLifelong Self-Supervised Domain Adaptation (LLEDA)フレームワークは、CLS理論からインスピレーションを得て、2つのネットワーク間の相互作用を模倣する。
LLEDAの潜時リプレイ技術は、過去のメモリ潜時表現を再活性化・再生することでこれらの2つのネットワーク間の通信を容易にし、学習した情報に干渉することなく長期の一般化と保持を安定化させる。
論文 参考訳（メタデータ） (2022-11-12T10:12:17Z) - Prior Knowledge Guided Unsupervised Domain Adaptation [82.9977759320565]
本稿では,対象とするクラス分布に関する事前知識を利用できる知識誘導型非教師付きドメイン適応(KUDA)設定を提案する。
特に,対象領域におけるクラス分布に関する2種類の事前知識について考察する。
このような事前知識を用いて生成した擬似ラベルを精査する修正モジュールを提案する。
論文 参考訳（メタデータ） (2022-07-18T18:41:36Z) - Unified Instance and Knowledge Alignment Pretraining for Aspect-based
Sentiment Analysis [96.53859361560505]
Aspect-based Sentiment Analysis (ABSA) は、ある側面に対する感情の極性を決定することを目的としている。
事前トレーニングと下流ABSAデータセットの間には、常に深刻なドメインシフトが存在する。
我々は,バニラ・プレトレイン・ファインチューンパイプラインにアライメント事前訓練フレームワークを導入する。
論文 参考訳（メタデータ） (2021-10-26T04:03:45Z) - Flexible deep transfer learning by separate feature embeddings and
manifold alignment [0.0]
オブジェクト認識は、業界と防衛において重要な存在である。
残念ながら、既存のラベル付きデータセットでトレーニングされたアルゴリズムは、データ分布が一致しないため、直接新しいデータに一般化しない。
本稿では,各領域の特徴抽出を個別に学習することで,この制限を克服する新しいディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2020-12-22T19:24:44Z) - Multi-Domain Adversarial Feature Generalization for Person
Re-Identification [52.835955258959785]
マルチデータセット特徴一般化ネットワーク(MMFA-AAE)を提案する。
複数のラベル付きデータセットから普遍的なドメイン不変の特徴表現を学習し、それを見えないカメラシステムに一般化することができる。
また、最先端の教師付き手法や教師なしのドメイン適応手法を大きなマージンで超えている。
論文 参考訳（メタデータ） (2020-11-25T08:03:15Z) - A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。
多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。
限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
論文 参考訳（メタデータ） (2020-09-01T00:06:50Z) - Data Techniques For Online End-to-end Speech Recognition [17.621967685914587]
ドメイン内データに制限があるため、多くの場合、新しいユースケースのためのASRシステムを短時間で構築する必要がある。
最近開発されたエンドツーエンドのメソッドは、モデリングパイプラインを大いに単純化するが、それでもデータ空間の問題に悩まされている。
本稿では,オンラインASRシステムをエンド・ツー・エンドで構築するための簡単な実装手法について検討する。
論文 参考訳（メタデータ） (2020-01-24T22:59:46Z)
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。