Calibration of Network Confidence for Unsupervised Domain Adaptation Using Estimated Accuracy

要約

この研究は、ターゲット ドメインからのラベルのないサンプルを使用して、ソース ドメインで元々トレーニングされたモデルをターゲット ドメインに適応させながら、ネットワークの信頼性を調整するという問題に対処します。
ターゲット ドメインにラベルが存在しないため、ターゲット ドメイン上で適応されたネットワークを直接調整することができなくなります。
この課題に取り組むために、ターゲット ドメインでのネットワークの精度の推定に依存する調整手順を導入します。
ネットワーク精度は、最初にラベル付けされたソース データに基づいて計算され、次にターゲット ドメイン上のモデルの実際の精度を表すように変更されます。
提案されたアルゴリズムは、推定精度と計算された信頼度の間の差異を最小限に抑えることにより、ターゲット ドメイン内で予測信頼度を直接調整します。
実験結果は、いくつかの標準データセットにわたって、私たちの方法が重要度の重み付けに依存する既存の方法よりも大幅に優れていることを示しています。

要約(オリジナル)

This study addresses the problem of calibrating network confidence while adapting a model that was originally trained on a source domain to a target domain using unlabeled samples from the target domain. The absence of labels from the target domain makes it impossible to directly calibrate the adapted network on the target domain. To tackle this challenge, we introduce a calibration procedure that relies on estimating the network’s accuracy on the target domain. The network accuracy is first computed on the labeled source data and then is modified to represent the actual accuracy of the model on the target domain. The proposed algorithm calibrates the prediction confidence directly in the target domain by minimizing the disparity between the estimated accuracy and the computed confidence. The experimental results show that our method significantly outperforms existing methods, which rely on importance weighting, across several standard datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google