Target-agnostic Source-free Domain Adaptation for Regression Tasks

要約

教師なしドメイン適応（UDA）は、ラベル付けされていないターゲットデータを使用して、ターゲットとソース間のドメインギャップを埋めようとするものである。ソースフリーのUDAは、データのプライバシーと保存を維持するために、ターゲットでラベル付けされたソースデータの必要性を排除します。しかし、ソースフリーUDAの研究は、ドメインギャップ分布の知識を前提としているため、ターゲット認識タスクか分類タスクのいずれかに限定される。この問題を解決するために、我々はTASFARを提案する。TASFARは、回帰タスクのための、ターゲットにとらわれないソースフリー領域適応アプローチである。予測信頼度を用いて、TASFARはラベル密度マップをターゲットラベル分布として推定し、それをターゲットドメイン上でソースモデルを較正するために用いる。我々は、様々なドメインギャップを持つ4つの回帰タスク、すなわち、異なるユーザに対する歩行者の推測、異なるシーンにおける画像ベースの人物カウント、異なる地区における住宅価格予測、異なる出発点からのタクシー所要時間予測について、広範な実験を行った。TASFARは、4つのタスクにおいて平均22%の誤差を削減し、ソースデータを使用しないソースベースUDAと同等の精度を達成することで、最先端のソースフリーUDAアプローチを大幅に上回ることが示された。

要約(オリジナル)

Unsupervised domain adaptation (UDA) seeks to bridge the domain gap between the target and source using unlabeled target data. Source-free UDA removes the requirement for labeled source data at the target to preserve data privacy and storage. However, work on source-free UDA assumes knowledge of domain gap distribution, and hence is limited to either target-aware or classification task. To overcome it, we propose TASFAR, a novel target-agnostic source-free domain adaptation approach for regression tasks. Using prediction confidence, TASFAR estimates a label density map as the target label distribution, which is then used to calibrate the source model on the target domain. We have conducted extensive experiments on four regression tasks with various domain gaps, namely, pedestrian dead reckoning for different users, image-based people counting in different scenes, housing-price prediction at different districts, and taxi-trip duration prediction from different departure points. TASFAR is shown to substantially outperform the state-of-the-art source-free UDA approaches by averagely reducing 22% errors for the four tasks and achieve notably comparable accuracy as source-based UDA without using source data.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL