Noise Optimized Conditional Diffusion for Domain Adaptation

要約

偽標識は、監視されていないドメイン適応（UDA）の基礎ですが、自信の高い擬似標的ドメインサンプルの希少性（\ textbf {hcpl-tds}）は、しばしば不正確なクロスドメイン統計的整合性を引き起こし、DA障害を引き起こします。
この課題に対処するために、\ textbf {n} oise \ textbf {o} ptimized \ textbf {c} onditional \ textbf {d} ifusion for \ textbf {d} omain \ textbf {a} daptation（\ textbf {\ gentave cavess fratess frates frates frates forted for
効率的な適応のためのタスク結合最適化を実現するためのDAの意思決定要件を備えた条件付き拡散モデル。
堅牢なクロスドメインの一貫性のために、DA分類器を変更して、統一された最適化フレームワーク内の条件付き拡散分類器と一致し、ノイズ変動クロスドメインサンプルの前進トレーニングを可能にします。
さらに、拡散モデルでの従来の\（\ mathcal {n}（\ mathbf {0}、\ mathbf {i}）\）初期化は、しばしばクラス結合HCPL-TDSを生成し、識別DAを妥協すると主張します。
これを解決するために、逆クラス固有のHCPL-TDS生成のためにサンプリング領域を改良し、クロスドメインアライメントを効果的に強化するクラスアウェアノイズ最適化戦略を導入します。
5つのベンチマークデータセットと29のDAタスクにわたる広範な実験は、31の最先端の方法を超える\ textBf {nocdda}の大幅なパフォーマンス利益を示し、その堅牢性と有効性を検証します。

要約(オリジナル)

Pseudo-labeling is a cornerstone of Unsupervised Domain Adaptation (UDA), yet the scarcity of High-Confidence Pseudo-Labeled Target Domain Samples (\textbf{hcpl-tds}) often leads to inaccurate cross-domain statistical alignment, causing DA failures. To address this challenge, we propose \textbf{N}oise \textbf{O}ptimized \textbf{C}onditional \textbf{D}iffusion for \textbf{D}omain \textbf{A}daptation (\textbf{NOCDDA}), which seamlessly integrates the generative capabilities of conditional diffusion models with the decision-making requirements of DA to achieve task-coupled optimization for efficient adaptation. For robust cross-domain consistency, we modify the DA classifier to align with the conditional diffusion classifier within a unified optimization framework, enabling forward training on noise-varying cross-domain samples. Furthermore, we argue that the conventional \( \mathcal{N}(\mathbf{0}, \mathbf{I}) \) initialization in diffusion models often generates class-confused hcpl-tds, compromising discriminative DA. To resolve this, we introduce a class-aware noise optimization strategy that refines sampling regions for reverse class-specific hcpl-tds generation, effectively enhancing cross-domain alignment. Extensive experiments across 5 benchmark datasets and 29 DA tasks demonstrate significant performance gains of \textbf{NOCDDA} over 31 state-of-the-art methods, validating its robustness and effectiveness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google