論文の概要: Rural Readiness: Domain Generalization with Adversarially Chosen Domains

• arxiv url: http://arxiv.org/abs/2610.40468v1
• Date: Thu, 29 Oct 2026 17:06:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.544825
• Title: Rural Readiness: Domain Generalization with Adversarially Chosen Domains
• Title（参考訳）: 農村の整合性:逆長川藩によるドメインの一般化
• Abstract要約: 十分なリソースを持つデータ豊富な機関でトレーニングされた予測モデルは、しばしば新しい集団に配備されると失敗する。 データ共有型農村住民のための臨床診断と意思決定アルゴリズムの構築を目標として,エフェドメインの一般化に関する根本的な疑問を定式化する。
• 参考スコア（独自算出の注目度）: 9.374871304813636
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive models trained at well-resourced data-rich institutions often fail when deployed in new populations. Motivated by the goal of building clinical diagnosis and decision-making algorithms for data-scarce rural populations using the general knowledge learned from data-rich hospitals, we formulate the fundamental question of \emph{domain generalization with adversarially chosen domains}, which asks a learner to perform on any unseen target domain nearly as well as the worst hypothesis consistent with the evidence from the observed source domains. Assuming only that the hypothesis class contains a "universal" predictor with small error on all $k$ source domains, we characterize the sample complexity of this objective up to logarithmic factors. Letting $d$ denote the VC dimension of the hypothesis class, we find, somewhat surprisingly, that the sample complexity reduces significantly from $Ω(dk)$ to $O(d)$ under a small relaxation of the learning goal in which, roughly speaking, we allow the learned model to compete with hypotheses that perform well on 99% instead of 100% of the source domains. By applying this insight to the meta-distributional setting, in which source domains are selected according to a distribution on distributions, we obtain a corresponding improvement over known sample complexity upper bounds. We also study the effect of data access to the target domain and show that a small labeled sample from the target domain does not improve the worst-case sample complexity on the source domains.
• Abstract（参考訳）: 十分なリソースを持つデータ豊富な機関でトレーニングされた予測モデルは、しばしば新しい集団に配備されると失敗する。 データ豊富な病院から学んだ一般知識を用いて、データ共有型農村住民のための臨床診断と意思決定アルゴリズムを構築することを目的として、学習者が見つからない対象領域で実行するよう求める「emph{ domain generalization with adversarially selected domain}」という基本的疑問を定式化した。 仮説クラスがすべての$k$ソースドメインに小さな誤差を持つ「ユニバーサル」予測子を含むと仮定すると、この目的のサンプル複雑性を対数因子まで特徴づける。 仮説クラスのVC次元を$d$とすると、少し意外なことに、サンプルの複雑さは、学習目標の小さな緩和の下で$Ω(dk)$から$O(d)$に大幅に減少し、大まかに言えば、学習されたモデルは、100%のソースドメインではなく99%でうまく機能する仮説と競合することを許す。 この知見を分布の分布に応じてソースドメインが選択されるメタ分布設定に適用することにより、既知の複雑性上界に対する対応する改善が得られる。 また、対象ドメインへのデータアクセスの効果について検討し、対象ドメインからのラベル付きサンプルがソースドメインにおける最悪のサンプルの複雑さを改善できないことを示す。

関連論文リスト

• How Useful is Causal Invariance for Domain Adaptation in Finite-Sample Settings? [58.740078141879984]
  機械学習モデルは、トレーニングされたソースディストリビューションとは異なるターゲットディストリビューションにデプロイされると、しばしば劣化する。 因果関係に基づく領域一般化における最近の研究は、共用因果構造が不変な予測因子を誘導する方法を示している。 本稿では,完全あるいは部分的な因果知識が,教師付きドメイン適応を確実に改善できるかどうかについて検討する。
  論文  参考訳（メタデータ） (2026-06-10T21:07:49Z)
• A Unified Analysis of Generalization and Sample Complexity for Semi-Supervised Domain Adaptation [1.9567015559455132]
  ドメイン適応は、ソースドメインの豊富なラベル情報を活用して、限られたラベルを持つターゲットドメインの分類性能を向上させる。 既存の理論的分析のほとんどは、ソースとターゲットドメインが同じ入力空間を共有するような単純化された設定に焦点を当てている。 本稿では、ドメインアライメントに基づくドメイン適応アルゴリズムに関する包括的な理論的研究を行う。
  論文  参考訳（メタデータ） (2025-07-30T12:53:08Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Provably Uncertainty-Guided Universal Domain Adaptation [34.76381510773768]
  ユニバーサルドメイン適応(UniDA)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。 UniDAの主な課題は、識別不能なラベルセットが2つのドメイン間のミスアライメントを引き起こすことである。 潜在空間における対象サンプルの分布を利用した新しい不確実性誘導型UniDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-19T09:16:07Z)
• Domain-Specific Risk Minimization for Out-of-Distribution Generalization [104.17683265084757]
  まず、適応性ギャップを明示的に考慮した一般化境界を確立する。 本稿では,目標に対するより良い仮説の選択を導くための効果的なギャップ推定法を提案する。 もう1つの方法は、オンラインターゲットサンプルを用いてモデルパラメータを適応させることにより、ギャップを最小化することである。
  論文  参考訳（メタデータ） (2022-08-18T06:42:49Z)
• Generalizing to Unseen Domains with Wasserstein Distributional Robustness under Limited Source Knowledge [22.285156929279207]
  ドメインの一般化は、目に見えないターゲットドメインでうまく機能する普遍的なモデルを学ぶことを目的としている。 We propose a novel domain generalization framework called Wasserstein Distributionally Robust Domain Generalization (WDRDG)。
  論文  参考訳（メタデータ） (2022-07-11T14:46:50Z)
• Self-balanced Learning For Domain Generalization [64.99791119112503]
  ドメインの一般化は、モデルが未知の統計を持つ対象のドメインに一般化できるように、マルチドメインのソースデータの予測モデルを学ぶことを目的としている。 既存のアプローチのほとんどは、ソースデータがドメインとクラスの両方の観点からバランスよく調整されているという前提の下で開発されている。 本稿では,多領域ソースデータの分布の違いによるバイアスを軽減するために,損失の重み付けを適応的に学習する自己均衡型領域一般化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-31T03:17:54Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• 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。