論文の概要: Joint Contrastive-Adversarial Representation Learning for Unsupervised Domain Adaptation
- arxiv url: http://arxiv.org/abs/2610.15613v1
- Date: Sun, 11 Oct 2026 13:37:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-19 17:35:09.264782
- Title: Joint Contrastive-Adversarial Representation Learning for Unsupervised Domain Adaptation
- Title（参考訳）: 教師なしドメイン適応のための合同コントラスト・逆表現学習
- Abstract要約: ラベルのないソースとターゲットサンプルの結合から共通表現を学習するフレームワークを導入する。
Office-31、Office-Home、DomainNetの実験では、さまざまなドメインシフトの移行が明らかになっている。
- 参考スコア（独自算出の注目度）: 25.809707965361994
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Effective unsupervised domain adaptation (UDA) requires a representation that captures transferable structure from both the labeled source domain and the unlabeled target domain. We introduce Joint Contrastive-Adversarial Representation Learning (JCAR), a two-stage framework that learns a common representation from the union of unlabeled source and target samples by combining contrastive learning with adversarial domain alignment, and then freezes the representation to fit a source-supervised predictor. We establish a non-asymptotic excess-risk bound for this procedure that couples representation and domain-discriminator estimation while separating downstream prediction, with explicit neural-network approximation errors. Under the stated assumptions and common Hölder smoothness $β\geq1$, the bound identifies a sufficiently large unlabeled-sample regime in which the downstream rate is $\widetilde{\mathcal{O}}(m^{-β/(2β+d)})$, where $m$ counts labeled source samples and logarithmic factors are suppressed. The labeled-sample exponent is governed by the latent dimension $d$ rather than the ambient dimension $p$, which enters the pretraining cost. Experiments on Office-31, Office-Home, and DomainNet demonstrate clear transfer gains across diverse domain shifts, with particularly strong performance when representations are learned from scratch.
- Abstract（参考訳）: 効果的な教師なしドメイン適応(UDA)は、ラベル付きソースドメインとラベルなしターゲットドメインの両方から転送可能な構造をキャプチャする表現を必要とする。
JCAR(Joint Contrastive-Adversarial Representation Learning)は、非ラベル付きソースとターゲットサンプルの結合から共通表現を学習する2段階のフレームワークである。
我々は、下流の予測を分離しながら、表現とドメイン識別器の推定を明示的なニューラルネットワーク近似誤差で結合する非漸近的過剰リスク境界を確立する。
記述された仮定と一般的な Hölder smoothness $β\geq1$ の下で、この境界は、下流の速度が $\widetilde{\mathcal{O}}(m^{-β/(2β+d)}$ である十分に大きな未ラベルのサンプル状態を特定する。
ラベル付きサンプル指数は、事前学習コストに入る環境次元$p$ではなく、潜伏次元$d$で管理される。
Office-31、Office-Home、DomainNetの実験では、さまざまなドメインシフトの移行が明らかになり、特に表現がゼロから学習された場合のパフォーマンスが向上した。
関連論文リスト
- Domain-Aware Hierarchical Contrastive Learning for Semi-Supervised Generalization Fault Diagnosis [49.89578655034085]
本稿では,障害診断のためのドメイン認識型階層的コントラスト学習(DAHCL)という統合フレームワークを提案する。
DAHCLは、ソースドメインの幾何学的特徴を捉え、異種ソースドメイン間の擬似ラベル予測を校正する。
また,動的信頼層化とファジィコントラスト監視を組み合わせた階層型コントラスト学習モジュールを開発した。
論文 参考訳（メタデータ） (2026-04-22T08:41:27Z) - Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。
提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
論文 参考訳（メタデータ） (2024-01-21T09:57:56Z) - Bi-discriminator Domain Adversarial Neural Networks with Class-Level
Gradient Alignment [87.8301166955305]
そこで本研究では,クラスレベルのアライメントアライメントを有するバイディミネータドメイン対向ニューラルネットワークを提案する。
BACGは、領域分布の整合性を改善するために勾配信号と二階確率推定を利用する。
さらに、対照的な学習にインスパイアされ、トレーニングプロセスを大幅に短縮できるメモリバンクベースの変種であるFast-BACGを開発した。
論文 参考訳（メタデータ） (2023-10-21T09:53:17Z) - Out-Of-Domain Unlabeled Data Improves Generalization [0.7589678255312519]
本稿では,ラベルなしデータを半教師付き分類問題に組み込む新しい枠組みを提案する。
ラベルのないサンプルは一般化ギャップを狭めるために利用できることを示す。
我々は、さまざまな合成および実世界のデータセットで実施された実験を通じて、我々の主張を検証する。
論文 参考訳（メタデータ） (2023-09-29T02:00:03Z) - Barycentric-alignment and reconstruction loss minimization for domain
generalization [30.459247038765568]
本稿では,機械学習におけるドメイン一般化(DG)の理論と実践を推し進める。
本稿では,WBAE (Wasserstein Barycenter Auto-Encoder) という新しいDGアルゴリズムを提案する。
数値計算により,提案手法は複数のデータセット上で現在最先端のDGアルゴリズムより優れていることが示された。
論文 参考訳（メタデータ） (2021-09-04T16:57:36Z) - 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) - Adversarial Training Based Multi-Source Unsupervised Domain Adaptation
for Sentiment Analysis [19.05317868659781]
感情分析のためのマルチソース領域適応手法に基づく2つの伝達学習フレームワークを提案する。
最初のフレームワークは、新しいWeighting Schemeベースのunsupervised Domain Adaptation framework (WS-UDA)で、ソース分類器を組み合わせてターゲットインスタンスの擬似ラベルを取得する。
2つめのフレームワークは、2段階トレーニングベースの教師なしドメイン適応フレームワーク(2ST-UDA)である。
論文 参考訳（メタデータ） (2020-06-10T01:41:00Z) - A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation [142.31610972922067]
この研究は、特にターゲットドメインのクラスラベルがソースドメインのサブセットである場合に、教師なしのドメイン適応問題に対処する。
本稿では,ドメイン逆境学習に基づく新しいドメイン適応手法 BA$3$US を提案し,BAA(Ba balanced Adversarial Alignment)とAUS(Adaptive Uncertainty Suppression)の2つの新しい手法を提案する。
複数のベンチマーク実験の結果、BA$3$USが部分的なドメイン適応タスクの最先端を超越していることが示されている。
論文 参考訳（メタデータ） (2020-03-05T11:37:06Z)
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。