論文の概要: Beyond Domain-Level Adaptation: Margin-Oriented Semantic-Appearance Interaction Correction for Personalized Federated Vision-Language Models

• arxiv url: http://arxiv.org/abs/2610.01625v1
• Date: Thu, 01 Oct 2026 12:57:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.139347
• Title: Beyond Domain-Level Adaptation: Margin-Oriented Semantic-Appearance Interaction Correction for Personalized Federated Vision-Language Models
• Title（参考訳）: ドメイン・レベル適応を超えて: 個人化された視覚・言語モデルのためのMargin-Oriented Semantic-Appearance Interaction Correction
• Abstract要約: フェデレートされたパラメータ効率の微調整により、分散クライアントは、生データを共有したり、フルバックボーンを更新したりすることなく、事前訓練されたビジョン言語モデルを適用することができる。 既存のパーソナライズされたメソッドは、グローバルに共有される知識をクライアント固有のスタイルと区別するが、それらは主に、各ドメインをクラスに依存しない変換として扱う。 固定領域に関連する領域間変位はセマンティッククラスによって異なり、これらのクラス領域残差のサブセットだけが画像-テキスト決定マージンを損なう。
• 参考スコア（独自算出の注目度）: 8.463467704507478
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated parameter-efficient fine-tuning enables distributed clients to adapt pretrained vision-language models without sharing raw data or updating the full backbone. Its effectiveness, however, is limited by domain heterogeneity across clients. Existing personalized methods separate globally shared knowledge from client-specific style, but they largely treat each domain as a class-agnostic transformation. We show that this abstraction is insufficient: the cross-domain displacement associated with a fixed domain varies across semantic classes, and only a subset of these class-domain residuals damages the image-text decision margin. We therefore propose Margin-Oriented Semantic-Appearance Interaction Correction (MOSAIC), which first constructs a decision-aware harmfulness score that measures whether a training-derived class-domain residual favors a competing text prototype over the true class. It then models fine-grained class-domain interactions with a low-rank residual adapter whose class factors and residual basis are globally shared while domain factors remain client-private. An image-conditioned gate further controls candidate-wise correction, and harmful-pair-aware reweighting prioritizes decision-relevant residuals during local optimization. Extensive experiments on Office31, OfficeHome, and DomainNet100 demonstrate that MOSAIC consistently improves macro-client top-1 accuracy across all evaluated domain-shift and joint domain-label-shift settings.
• Abstract（参考訳）: フェデレートされたパラメータ効率の微調整により、分散クライアントは、生データを共有したり、フルバックボーンを更新したりすることなく、事前訓練されたビジョン言語モデルを適用することができる。 しかし、その効果はクライアント間のドメインの不均一性によって制限される。 既存のパーソナライズされたメソッドは、グローバルに共有される知識をクライアント固有のスタイルと区別するが、それらは主に、各ドメインをクラスに依存しない変換として扱う。 固定領域に関連する領域間変位はセマンティッククラスによって異なり、これらのクラス領域残差のサブセットだけが画像-テキスト決定マージンを損なう。 そこで本研究では,まず,訓練対象のクラスドメイン残差が真のクラスよりも競合するテキストプロトタイプを好むかどうかを判断する有害度スコアを構築する。 次に、クラスファクターと残基がグローバルに共有され、ドメインファクターはクライアントプライベートのままである低ランク残基アダプタとのきめ細かいクラスドメインインタラクションをモデル化する。 画像条件付きゲートは、さらに候補ワイズ補正を制御し、有害ペア認識再重み付けは、局所最適化中の決定関連残差を優先する。 Office31、OfficeHome、DomainNet100の大規模な実験では、MOSAICは評価済みのドメインシフトと共同のドメインラベルシフト設定で、マクロなトップ-1の精度を一貫して改善している。

関連論文リスト

• DOME: Learning Transferable Domain Variables from Sparse Supervision for Test-Time Adaptation [61.70497741321102]
  テスト時適応は、未ラベルのストリーミングデータのみを使用して、テストドメインのシフトにモデルを合わせることを目的としている。 既存のほとんどの手法は、実世界の領域シフトの多次元的およびサンプル固有の性質を無視して、単一の大域領域分布を暗黙的に推論する。 本稿では,サンプルのドメインをゼロショットで明示的にモデル化するドメインエンコーダDOMEを提案する。
  論文  参考訳（メタデータ） (2026-06-02T03:24:03Z)
• Domain-Skewed Federated Learning with Feature Decoupling and Calibration [35.05951359908686]
  フェデレートラーニング(FL)は、分散クライアントがプライバシー保護の方法でグローバルモデルを協調的にトレーニングすることを可能にする。 ドメインスキュー(Domain skew)は、多様なドメインから派生したクライアントのデータが、一貫した表現空間を学習することから集約されたグローバルモデルを妨げる可能性がある。 我々は、ドメイン固有のバイアスのある特徴を校正することで、貴重なクラス関連情報を解放するFederated Feature Decoupling andrimi(F2$DC)を提案する。
  論文  参考訳（メタデータ） (2026-03-15T06:20:22Z)
• A Multi-View Consistency Framework with Semi-Supervised Domain Adaptation [16.068009772194642]
  Semi-Supervised Domain Adaptation (SSDA)は、完全にラベル付けされたソースドメインからの知識を活用して、部分的にラベル付けされたターゲットドメインにデータを分類する。 強化されたデータをトレーニングするための2つのビューを含む多視点一貫性フレームワークを導入する。 実験の結果,提案手法は2つの標準領域適応データセット上で競合する手法より優れていることが示された。
  論文  参考訳（メタデータ） (2026-01-27T06:54:13Z)
• Federated Learning with Domain Shift Eraser [16.685557256108265]
  フェデレーテッド・ラーニング(FL)は、デバイスを離れることなくコラボレーティブ・ラーニングのための有望なテクニックとして浮上している。 本稿では,FDSE(Federated Domain Shift Eraser)という新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-17T11:10:31Z)
• Exploiting Aggregation and Segregation of Representations for Domain Adaptive Human Pose Estimation [50.31351006532924]
  人間のポーズ推定(HPE)は最近、モーション分析、バーチャルリアリティー、ヘルスケア等に広く応用されているため、注目を集めている。 時間と労働集約的なアノテーションのために、ラベル付き現実世界のデータセットが不足している。 本稿では,ドメイン適応型人間のポーズ推定のための表現集約と分離を両立させる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） (2024-12-29T17:59:45Z)
• Adaptive Global-Local Representation Learning and Selection for Cross-Domain Facial Expression Recognition [54.334773598942775]
  ドメインシフトは、クロスドメイン顔表情認識(CD-FER)において重要な課題となる 適応的グローバルローカル表現学習・選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-20T02:21:41Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Cross-Domain Grouping and Alignment for Domain Adaptive Semantic Segmentation [74.3349233035632]
  深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。 学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。 本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
  論文  参考訳（メタデータ） (2020-12-15T11:36:21Z)
• Contradistinguisher: A Vapnik's Imperative to Unsupervised Domain Adaptation [7.538482310185133]
  本研究では,コントラスト特徴を学習するContradistinguisherと呼ばれるモデルを提案する。 Office-31とVisDA-2017における最先端のデータセットを、シングルソースとマルチソースの両方で実現しています。
  論文  参考訳（メタデータ） (2020-05-25T19:54:38Z)
• Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation Method for Semantic Segmentation [97.8552697905657]
  このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。 本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。 GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
  論文  参考訳（メタデータ） (2020-04-02T03:25:05Z)

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。