Robust Class-Conditional Distribution Alignment for Partial Domain Adaptation

要約

部分的なドメイン適応セットアップの学習目標におけるプライベート ソース カテゴリからの不要なサンプルは、負の転送を引き起こし、分類パフォーマンスを低下させる可能性があります。
ターゲット予測の再重み付けや集計などの既存の方法は、特に初期トレーニング段階でこの問題に対して脆弱であり、重複するカテゴリ分布に適切に対処できません。
我々は、カテゴリ分布のロバストな位置合わせのために一次モーメントを超えて探索することにより、これらの制限を克服するソリューションを提案します。
私たちは、ドメイン不変の方法でクラス内およびクラス間の分布を最適化する目標を採用し、効率的なターゲット監視のための堅牢な擬似ラベル付けを設計します。
私たちのアプローチには、分類の不確実性を軽減し、不正確なカテゴリ予測を平坦化するために補数エントロピー目的モジュールが組み込まれています。
提案されたモジュールの実験結果とアブレーション分析は、ベンチマークと比較して、提案されたモデルの優れたパフォーマンスを示しています。

要約(オリジナル)

Unwanted samples from private source categories in the learning objective of a partial domain adaptation setup can lead to negative transfer and reduce classification performance. Existing methods, such as re-weighting or aggregating target predictions, are vulnerable to this issue, especially during initial training stages, and do not adequately address overlapping categorical distributions. We propose a solution to overcome these limitations by exploring beyond the first-order moments for robust alignment of categorical distributions. We employ objectives that optimize the intra and inter-class distributions in a domain-invariant fashion and design a robust pseudo-labeling for efficient target supervision. Our approach incorporates a complement entropy objective module to reduce classification uncertainty and flatten incorrect category predictions. The experimental findings and ablation analysis of the proposed modules demonstrate the superior performance of our proposed model compared to benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google