Dynamic Domain Discrepancy Adjustment for Active Multi-Domain Adaptation

要約

マルチソース教師なしドメイン適応 (MUDA) は、関連するソース ドメインからラベルのないターゲット ドメインに知識を転送することを目的としています。
最近の MUDA 手法は有望な結果を示していますが、そのほとんどはソース ドメイン間で全体的な特徴分布を調整することに焦点を当てており、各ドメイン内の冗長な特徴により悪影響が生じる可能性があります。
さらに、MUDA と教師ありメソッドの間には、パフォーマンスに大きなギャップがあります。
これらの課題に対処するために、私たちは、Dynamic Domain Discrepancy Adjustment for Active Multi-Domain Adaptation (D3AAMDA) と呼ばれる新しいアプローチを提案します。
まず、ソースドメインとターゲットドメイン間の分布の違いの程度に基づいて、トレーニングプロセス中にマルチソースの動的変調メカニズムを確立します。
このメカニズムは、各ソース ドメインとターゲット ドメイン間の機能の調整レベルを制御し、ソース ドメイン内のローカルで有利な機能情報を効果的に活用します。
さらに、ガイド付き動的境界損失を利用して重要なサンプルを選択するための効率的なクエリ関数を設計する、マルチソース アクティブ境界サンプル選択 (MABS) 戦略を提案します。
この戦略により、最小限のサンプリング コストでターゲット ドメインへの一般化が向上します。
私たちは、一般的に使用されるドメイン適応データセットで提案された方法を広範囲に評価し、既存の UDA および ADA 方法と比較します。
実験結果は、私たちのアプローチの優位性を明確に示しています。

要約(オリジナル)

Multi-source unsupervised domain adaptation (MUDA) aims to transfer knowledge from related source domains to an unlabeled target domain. While recent MUDA methods have shown promising results, most focus on aligning the overall feature distributions across source domains, which can lead to negative effects due to redundant features within each domain. Moreover, there is a significant performance gap between MUDA and supervised methods. To address these challenges, we propose a novel approach called Dynamic Domain Discrepancy Adjustment for Active Multi-Domain Adaptation (D3AAMDA). Firstly, we establish a multi-source dynamic modulation mechanism during the training process based on the degree of distribution differences between source and target domains. This mechanism controls the alignment level of features between each source domain and the target domain, effectively leveraging the local advantageous feature information within the source domains. Additionally, we propose a Multi-source Active Boundary Sample Selection (MABS) strategy, which utilizes a guided dynamic boundary loss to design an efficient query function for selecting important samples. This strategy achieves improved generalization to the target domain with minimal sampling costs. We extensively evaluate our proposed method on commonly used domain adaptation datasets, comparing it against existing UDA and ADA methods. The experimental results unequivocally demonstrate the superiority of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google