Uncertainty-Guided Alignment for Unsupervised Domain Adaptation in Regression

要約

回帰のための教師なしドメイン適応 (UDAR) は、回帰タスクのためにラベル付きソース ドメインからラベルなしターゲット ドメインにモデルを適応させることを目的としています。
従来の特徴アライメント手法は、分類には成功しても、回帰特徴の相関関係により、回帰には効果がないことが判明することがよくあります。
この課題に対処するために、予測不確実性を特徴アライメント プロセスに統合する新しい方法である不確実性ガイド アライメント (UGA) を提案します。
UGA は、Evidential Deep Learning を採用して、目標値とそれに関連する不確実性の両方を予測します。
この不確実性情報は位置合わせプロセスをガイドし、埋め込み空間内の情報を融合して、配布範囲外のシナリオにおける機能の崩壊などの問題を効果的に軽減します。
私たちは、2 つのコンピューター ビジョン ベンチマークと、さまざまなメーカーや動作温度にわたる実際のバッテリー充電状態の予測に基づいて UGA を評価します。
52 の転送タスク全体で、UGA は平均して既存の最先端の手法を上回ります。
私たちのアプローチは、適応パフォーマンスを向上させるだけでなく、適切に調整された不確実性推定も提供します。

要約(オリジナル)

Unsupervised Domain Adaptation for Regression (UDAR) aims to adapt models from a labeled source domain to an unlabeled target domain for regression tasks. Traditional feature alignment methods, successful in classification, often prove ineffective for regression due to the correlated nature of regression features. To address this challenge, we propose Uncertainty-Guided Alignment (UGA), a novel method that integrates predictive uncertainty into the feature alignment process. UGA employs Evidential Deep Learning to predict both target values and their associated uncertainties. This uncertainty information guides the alignment process and fuses information within the embedding space, effectively mitigating issues such as feature collapse in out-of-distribution scenarios. We evaluate UGA on two computer vision benchmarks and a real-world battery state-of-charge prediction across different manufacturers and operating temperatures. Across 52 transfer tasks, UGA on average outperforms existing state-of-the-art methods. Our approach not only improves adaptation performance but also provides well-calibrated uncertainty estimates.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google