論文の概要: WhiteCon: Semi-Supervised Domain Adaptation Regression Through Whitening Transform and Dual Consistency
- arxiv url: http://arxiv.org/abs/2609.34078v1
- Date: Mon, 28 Sep 2026 01:12:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-04 07:10:36.266552
- Title: WhiteCon: Semi-Supervised Domain Adaptation Regression Through Whitening Transform and Dual Consistency
- Title（参考訳）: WhiteCon: ホワイトニング変換とデュアル一貫性による半監督されたドメイン適応回帰
- Abstract要約: ホワイトニング変換と二重整合性(WhiteCon)による半教師付き領域適応回帰を提案する。
WhiteConは、訓練安定性とドメイン適応性を高めるために、ドメイン固有のホワイトニング変換(DWT)と二重整合正則化を組み合わせた。
提案したWhiteConは、既存手法と比較して最先端のパフォーマンスを実現し、回帰タスクのドメインシフトに効果的に対処する。
- 参考スコア（独自算出の注目度）: 4.784071359791488
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain adaptation is crucial for addressing distributional shifts that degrade model performance across domains. While most existing research has centered on classification, semi-supervised domain adaptation regression (SSDAR) for continuous-output tasks remains largely unexplored, particularly in practical scenarios with limited labeled target data. To address this gap, we propose semi-supervised domain adaptation regression through whitening transform and dual consistency (WhiteCon), which combines domain-specific whitening transform (DWT) and dual consistency regularization to enhance training stability and domain adaptation. DWT reduces the variance of the model parameters by transforming the feature covariance matrix into an identity matrix, thus stabilizing training under ordinary least squares assumptions. In addition, variance consistency regularization, as part of dual consistency regularization, aligns the variances of weak, strong, and mixup-augmented features to improve resilience against augmentation-induced perturbations. Empirical evaluations on various benchmark datasets under SSDAR settings demonstrate that the proposed WhiteCon achieves state-of-the-art performance compared to existing methods, effectively addressing domain shifts in regression tasks. The code for WhiteCon is available at https://github.com/sejin-sim/WhiteCon.
- Abstract（参考訳）: ドメイン間のモデルパフォーマンスを低下させる分散シフトに対処するには、ドメイン適応が不可欠である。
既存のほとんどの研究は分類に重点を置いているが、連続出力タスクのための半教師付きドメイン適応回帰(SSDAR)は、特にラベル付きターゲットデータに制限のある実践シナリオにおいて、ほとんど未探索のままである。
このギャップに対処するために、ドメイン固有のホワイトニング変換(DWT)と二重整合正規化を組み合わせたホワイトニング変換と二重整合性(WhiteCon)による半教師付きドメイン適応回帰を提案し、トレーニング安定性とドメイン適応を向上させる。
DWTは特徴共分散行列を恒等行列に変換することによりモデルパラメータの分散を低減し、通常の最小二乗仮定の下でのトレーニングを安定化する。
さらに、二重整合正則化の一部として、分散整合正則化は弱い、強い、混合された特徴の分散を整列させ、増大による摂動に対するレジリエンスを改善する。
SSDAR設定下での様々なベンチマークデータセットに対する実証的な評価は、提案されたWhiteConが既存の手法と比較して最先端のパフォーマンスを実現し、回帰タスクのドメインシフトに効果的に対処していることを示している。
WhiteConのコードはhttps://github.com/sejin-sim/WhiteConで公開されている。
関連論文リスト
- Variance-reduced Domain Adaptation using Paired Sampling [2.0305676256390934]
相関アライメントと最大平均差は、教師なし領域適応に広く使われている。
これらの損失のばらつきは、ミニバッチ環境での有効性を損なうことが示されている。
本稿では,Paired Smpling for Domain Adaptation (PSDA)を提案する。
論文 参考訳（メタデータ） (2026-07-22T16:58:45Z) - Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。
グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。
特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
論文 参考訳（メタデータ） (2026-04-20T16:43:28Z) - Domain Adaptation via Feature Refinement [0.3867363075280543]
本稿では,分散シフト下での非教師付きドメイン適応のための簡易かつ効果的なフレームワークであるDAFR(Domain Adaptation via Feature Refinement)を提案する。
提案手法は, ラベルなし対象データを用いたバッチ正規化統計の適応, ソース学習モデルからの特徴蒸留, 仮説伝達の3つの重要な要素を組み合わせた。
論文 参考訳（メタデータ） (2025-08-22T06:32:19Z) - Global Variational Inference Enhanced Robust Domain Adaptation [7.414646586981638]
本稿では,構造を意識したクロスドメインアライメントを実現するために,変分推論による連続的,クラス条件のグローバルな事前学習フレームワークを提案する。
GVI-DAは、潜在特徴再構成によるドメインギャップを最小化し、ランダムサンプリングによるグローバルコードブック学習を用いて後部崩壊を緩和する。
低信頼の擬似ラベルを捨て、信頼性の高いターゲットドメインサンプルを生成することにより、ロバスト性をさらに向上する。
論文 参考訳（メタデータ） (2025-07-04T04:43:23Z) - Let Synthetic Data Shine: Domain Reassembly and Soft-Fusion for Single Domain Generalization [68.41367635546183]
単一ドメインの一般化は、単一のソースからのデータを使用して、さまざまなシナリオで一貫したパフォーマンスでモデルをトレーニングすることを目的としている。
モデル一般化を改善するために合成データを活用した学習フレームワークDRSFを提案する。
論文 参考訳（メタデータ） (2025-03-17T18:08:03Z) - Generalizable Person Re-identification via Balancing Alignment and Uniformity [22.328800139066914]
ドメイン一般化可能な人物再識別(DG re-ID)は、分布シフトに頑健な識別表現を学習することを目的としている。
ある増補は、このタスクにおいて偏極効果を示し、分配性能を低下させながら、分配性能を向上させる。
本研究では,アライメントと統一性のバランスを維持することによって,この効果を効果的に軽減する新しい枠組みであるBAUを提案する。
論文 参考訳（メタデータ） (2024-11-18T11:13:30Z) - Covariance-corrected Whitening Alleviates Network Degeneration on Imbalanced Classification [6.197116272789107]
クラス不均衡は画像分類において重要な問題であり、深層認識モデルの性能に大きな影響を及ぼす。
我々は、退化ソリューションを緩和するWhitening-Netと呼ばれる新しいフレームワークを提案する。
極端なクラス不均衡のシナリオでは、バッチ共分散統計は大きな変動を示し、白化操作の収束を妨げる。
論文 参考訳（メタデータ） (2024-08-30T10:49:33Z) - Disentangled Federated Learning for Tackling Attributes Skew via
Invariant Aggregation and Diversity Transferring [104.19414150171472]
属性は、クライアント間の一貫した最適化方向から、現在の連邦学習(FL)フレームワークを歪めます。
本稿では,ドメイン固有属性とクロス不変属性を2つの補足枝に分離するために,非絡み付きフェデレーション学習(DFL)を提案する。
実験により、DFLはSOTA FL法と比較して高い性能、より良い解釈可能性、より高速な収束率でFLを促進することが確認された。
論文 参考訳（メタデータ） (2022-06-14T13:12:12Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-12T06:11:16Z) - Posterior Differential Regularization with f-divergence for Improving
Model Robustness [95.05725916287376]
クリーン入力とノイズ入力のモデル後部差を規則化する手法に着目する。
後微分正則化を$f$-divergencesの族に一般化する。
実験の結果, 後方微分を$f$-divergenceで正規化することで, モデルロバスト性の向上が期待できることがわかった。
論文 参考訳（メタデータ） (2020-10-23T19:58:01Z) - Learning Invariant Representations and Risks for Semi-supervised Domain
Adaptation [109.73983088432364]
半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。
共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
論文 参考訳（メタデータ） (2020-10-09T15:42:35Z)
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。