Unified Optimal Transport Framework for Universal Domain Adaptation

要約

ユニバーサル ドメイン アダプテーション (UniDA) は、ラベル セットに関する制約なしに、ソース ドメインからターゲット ドメインに知識を転送することを目的としています。
両方のドメインがプライベート クラスを保持する可能性があるため、ドメイン アラインメントのためにターゲットの共通サンプルを特定することは、UniDA の重要な問題です。
ほとんどの既存の方法は、共通のサンプルを検出するために手動で指定または手動で調整されたしきい値を必要とするため、共通のクラスの比率が多様であるため、より現実的な UniDA に拡張することは困難です。
さらに、これらの個人サンプルは全体として扱われるため、ターゲット個人サンプル間の異なるカテゴリを認識できません。
このホワイト ペーパーでは、最適なトランスポート (OT) を使用して、統一されたフレームワーク、つまり UniOT の下でこれらの問題を処理することを提案します。
まず、OT ベースのアダプティブ フィリングを使用した部分的なアライメントは、現実的な UniDA の事前定義されたしきい値なしで共通のクラスを検出するように設計されています。
OT から取得した割り当て行列の統計情報に基づいて、共通クラスと非公開クラスの本質的な違いを自動的に発見できます。
第二に、ソースへの過度の依存を避けるために、サンプルのグローバル識別とローカル一貫性の両方を促進するOTベースのターゲット表現学習を提案します。
特に、UniOT は、UniDA のターゲット ドメイン内のプライベート カテゴリを自動的に検出して認識する機能を備えた最初の方法です。
したがって、共通サンプルの精度と非公開サンプルのクラスタリング パフォーマンスの両方の観点からパフォーマンスを評価するために、新しいメトリック H^3 スコアを導入します。
広範な実験により、UniDA のさまざまな最先端の方法に対する UniOT の利点が明確に示されています。

要約(オリジナル)

Universal Domain Adaptation (UniDA) aims to transfer knowledge from a source domain to a target domain without any constraints on label sets. Since both domains may hold private classes, identifying target common samples for domain alignment is an essential issue in UniDA. Most existing methods require manually specified or hand-tuned threshold values to detect common samples thus they are hard to extend to more realistic UniDA because of the diverse ratios of common classes. Moreover, they cannot recognize different categories among target-private samples as these private samples are treated as a whole. In this paper, we propose to use Optimal Transport (OT) to handle these issues under a unified framework, namely UniOT. First, an OT-based partial alignment with adaptive filling is designed to detect common classes without any predefined threshold values for realistic UniDA. It can automatically discover the intrinsic difference between common and private classes based on the statistical information of the assignment matrix obtained from OT. Second, we propose an OT-based target representation learning that encourages both global discrimination and local consistency of samples to avoid the over-reliance on the source. Notably, UniOT is the first method with the capability to automatically discover and recognize private categories in the target domain for UniDA. Accordingly, we introduce a new metric H^3-score to evaluate the performance in terms of both accuracy of common samples and clustering performance of private ones. Extensive experiments clearly demonstrate the advantages of UniOT over a wide range of state-of-the-art methods in UniDA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google