A Unified Framework for Unsupervised Domain Adaptation based on Instance Weighting

要約

ドメイン適応は進歩しているにもかかわらず、ドメイン間のラベルシフトによって引き起こされる複雑な条件下で、一般的な方法で教師なしドメイン適応（UDA）問題を解決することは依然として困難な課題です。
この作業では、クローズド セット ドメイン アダプテーション、部分ドメイン アダプテーション、オープン セット ドメイン アダプテーション、ユニバーサル ドメイン アダプテーションを含む 4 つの異なる UDA 設定を包括的に調査します。この設定では、ソース ドメインとターゲット ドメイン間の共有共通クラスがドメイン固有のプライベート クラスと共存します。
多様な UDA 設定に固有の顕著な課題は、共通/プライベート クラスの区別とドメインの不一致の正確な測定を中心としています。
これらの課題を効果的に克服するために、さまざまな UDA 設定に対応する、教師なしドメイン適応のための学習インスタンス重み付け (LIWUDA) と呼ばれる、新しくて効果的な方法を提案します。
具体的には、提案するLIWUDA手法は、共通クラスに属する確率に基づいて各インスタンスに重みを割り当てる重みネットワークを構築し、インスタンスの重みを活用してドメイン調整のための重み付け最適トランスポート(WOT)を設計します。
さらに、提案された LIWUDA 法は、類似性の低いインスタンスを分離し、類似性の高いインスタンスを整列するための分離と整列 (SA) 損失を考案します。
重みネットワークの学習をガイドするために、共通クラス内のインスタンスの重みが一様な分布に従うように強制するドメイン内最適トランスポート (IOT) が提案されています。
これら 3 つのコンポーネントの統合を通じて、提案された LIWUDA メソッドは、統一された方法で 4 つの UDA 設定すべてに対処できる機能を実証します。
3 つのベンチマーク データセットに対して行われた実験評価により、提案された LIWUDA 手法の有効性が実証されました。

要約(オリジナル)

Despite the progress made in domain adaptation, solving Unsupervised Domain Adaptation (UDA) problems with a general method under complex conditions caused by label shifts between domains remains a formidable task. In this work, we comprehensively investigate four distinct UDA settings including closed set domain adaptation, partial domain adaptation, open set domain adaptation, and universal domain adaptation, where shared common classes between source and target domains coexist alongside domain-specific private classes. The prominent challenges inherent in diverse UDA settings center around the discrimination of common/private classes and the precise measurement of domain discrepancy. To surmount these challenges effectively, we propose a novel yet effective method called Learning Instance Weighting for Unsupervised Domain Adaptation (LIWUDA), which caters to various UDA settings. Specifically, the proposed LIWUDA method constructs a weight network to assign weights to each instance based on its probability of belonging to common classes, and designs Weighted Optimal Transport (WOT) for domain alignment by leveraging instance weights. Additionally, the proposed LIWUDA method devises a Separate and Align (SA) loss to separate instances with low similarities and align instances with high similarities. To guide the learning of the weight network, Intra-domain Optimal Transport (IOT) is proposed to enforce the weights of instances in common classes to follow a uniform distribution. Through the integration of those three components, the proposed LIWUDA method demonstrates its capability to address all four UDA settings in a unified manner. Experimental evaluations conducted on three benchmark datasets substantiate the effectiveness of the proposed LIWUDA method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google