論文の概要: Learning Domain Trajectories with Flow Matching for Gradual Domain Adaptation

• arxiv url: http://arxiv.org/abs/2610.30685v1
• Date: Thu, 22 Oct 2026 03:56:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.206239
• Title: Learning Domain Trajectories with Flow Matching for Gradual Domain Adaptation
• Title（参考訳）: 動的領域適応のためのフローマッチングを用いたドメイン軌道の学習
• Abstract要約: FlowGDAは、統計多様体上のエンファ連続輸送として段階的な適応をモデル化するフローマッチングフレームワークである。 提案手法は最先端技術より優れ,フローマッチングをドメイン適応の有効な代替手段として検証する。
• 参考スコア（独自算出の注目度）: 11.973153070989289
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large distribution shifts remain a primary obstacle for domain generalization and unsupervised adaptation. Although gradual domain adaptation alleviates this difficulty by introducing ordered intermediate domains, most existing approaches still operate in a discrete, step-wise manner, which can accumulate errors and often relies on unstable Min--Max optimization. We propose \textbf{FlowGDA}, a flow-matching framework that models gradual adaptation as \emph{continuous} transport on a statistical manifold in a representation space. FlowGDA learns time-dependent velocity fields that induce smooth domain trajectories, using a simulation-free regression objective rather than adversarial training. To prevent semantic drift, we couple left-to-right transport between consecutive domains with a source-anchored transport and a semantic consistency loss, and we further stabilize learning via a two-stage sequential optimization scheme. Extensive experiments demonstrate that our method outperforms state-of-the-art techniques, validating flow matching as an effective alternative for domain adaptation.
• Abstract（参考訳）: 大規模な分布シフトは、領域の一般化と教師なし適応の主要な障害である。 段階的なドメイン適応は順序付けられた中間ドメインを導入することでこの困難を緩和するが、既存のアプローチの多くは離散的なステップワイズで動作し、エラーを蓄積し、不安定なMin-Max最適化に依存することが多い。 表現空間内の統計多様体上での漸次適応を \emph{continuous} 輸送としてモデル化するフローマッチングフレームワークである \textbf{FlowGDA} を提案する。 FlowGDAは、逆行訓練ではなく、シミュレーションのない回帰目標を用いて、スムーズなドメイン軌道を誘導する時間依存速度場を学習する。 セマンティックドリフトを防止するため、連続するドメイン間の左から右への移動をソースアンコールされたトランスポートとセマンティック一貫性損失とで結合し、さらに2段階の逐次最適化手法を用いて学習を安定化する。 大規模な実験により,本手法は最先端技術より優れており,フローマッチングがドメイン適応の有効な代替手段として有効であることが示された。

関連論文リスト

• Harnessing the Potential of Optimizing Data Mixtures via Bayesian Domain Reweighting [63.86964530167364]
  本稿では,ダイリクレ分布からの重み付けを,観測から得られたガンマ事前情報を用いて推定するベイズ領域重み付け手法を提案する。 実験により,提案手法は安定かつ効率的な領域重み付け学習を実現し,探索に基づく関数適合法よりもはるかに少ないデータを消費し,大規模アプリケーションにおいて最適化に基づく領域重み付けを活性化する。
  論文  参考訳（メタデータ） (2026-07-30T09:41:02Z)
• Minimax optimal adaptive structured transfer learning through semi-parametric domain-varying coefficient model [9.091986429838117]
  本研究では,条件分布ドリフト下でのマルチソース単一ターゲット移動学習問題について検討する。 情報ソース領域からの強度を選択的に借用する適応的伝達学習推定器を開発した。
  論文  参考訳（メタデータ） (2026-02-20T03:53:06Z)
• Rethinking the Flow-Based Gradual Domain Adaption: A Semi-Dual Optimal Transport Perspective [47.7700613919136]
  中間領域を構築するためのエントロピー規則化半二重不均衡最適輸送(E-SUOT)フレームワークを提案する。 具体的には、フローベースGDAをラグランジアン双対問題として再構成し、確率推定の必要性を回避するための等価な半双対目的を導出する。
  論文  参考訳（メタデータ） (2026-02-01T12:07:54Z)
• Adaptive Domain Shift in Diffusion Models for Cross-Modality Image Translation [35.54089670586124]
  画像の相互変換は不安定で非効率である。 標準拡散アプローチはドメイン間の1つの大域的線型移動に依存することが多い。 生成プロセスに直接ドメインシフトダイナミクスを組み込む。
  論文  参考訳（メタデータ） (2026-01-26T16:00:36Z)
• Simulating Distribution Dynamics: Liquid Temporal Feature Evolution for Single-Domain Generalized Object Detection [58.25418970608328]
  Single-Domain Generalized Object Detection (Single-DGOD)は、あるソースドメインで訓練された検出器を複数の未知のドメインに転送することを目的としている。 シングルDGODの既存の方法は通常、データの多様性を拡大するために離散的なデータ拡張や静的摂動法に依存している。 そこで本研究では,ソース領域から潜伏分布のシミュレーションに至るまでの機能の進化をシミュレートする手法を提案する。
  論文  参考訳（メタデータ） (2025-11-13T03:10:39Z)
• Cross-Domain Diffusion with Progressive Alignment for Efficient Adaptive Retrieval [52.67656818203429]
  非教師付き効率的なドメイン適応検索は、ラベル付きソースドメインからラベルなしターゲットドメインに知識を転送することを目的としている。 既存のメソッドは、ターゲットドメインの潜在的なノイズに対処できず、ドメイン間で直接高レベルな機能を調整します。 そこで本研究では,これらの課題に対処する新しいクロスドメイン拡散・プログレッシブアライメント法(COUPLE)を提案する。
  論文  参考訳（メタデータ） (2025-05-20T04:17:39Z)
• Gradual Domain Adaptation via Normalizing Flows [2.7467053150385956]
  ソースドメインとターゲットドメインの間には大きなギャップがある。 グラデーショナル・ドメイン適応(Gradual Domain adapt)は、この問題に対処するために使用されるアプローチの1つである。 本稿では,この問題に対処するための正規化フローを提案する。
  論文  参考訳（メタデータ） (2022-06-23T06:24:50Z)
• Domain Adaptation for Semantic Segmentation via Patch-Wise Contrastive Learning [62.7588467386166]
  ドメイン間で構造的に類似するラベルパッチの機能を調整することで、ドメインギャップを埋めるためにコントラスト学習を利用する。 私たちのアプローチは、常に2つの困難なドメイン適応セグメンテーションタスクにおいて、最先端の非監視および半監督メソッドを上回ります。
  論文  参考訳（メタデータ） (2021-04-22T13:39:12Z)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。