Unsupervised domain adaptation by learning using privileged information

要約

教師なしドメイン適応 (UDA) の成功は、共変量シフトや入力ドメイン間のオーバーラップなどの強力な仮定の下でのみ保証されます。
後者は、この課題にもかかわらず、アルゴリズム開発のインスピレーションとベンチマークとして引き続き機能する画像分類などの高次元アプリケーションで違反されることがよくあります。
この作業では、ソース ドメインとターゲット ドメインからの例に関する副次的な情報にアクセスすると、より豊富な変数セットを収集することを犠牲にして、これらの仮定を緩和し、学習のサンプル効率を高めることができることを示します。
これを特権情報を用いた学習によるドメイン適応（DALUPI）と呼んでいます。
このタスクに合わせて調整された、分析に触発された単純な2段階の学習アルゴリズムと、マルチラベル画像分類のための実用的なエンドツーエンドアルゴリズムを提案します。
医用画像解析への応用を含む一連の実験では、特権情報を学習に組み込むことで、従来の学習と比較してドメイン転送のエラーを減らすことができることを示しています。

要約(オリジナル)

Successful unsupervised domain adaptation (UDA) is guaranteed only under strong assumptions such as covariate shift and overlap between input domains. The latter is often violated in high-dimensional applications such as image classification which, despite this challenge, continues to serve as inspiration and benchmark for algorithm development. In this work, we show that access to side information about examples from the source and target domains can help relax these assumptions and increase sample efficiency in learning, at the cost of collecting a richer variable set. We call this domain adaptation by learning using privileged information (DALUPI). Tailored for this task, we propose a simple two-stage learning algorithm inspired by our analysis and a practical end-to-end algorithm for multi-label image classification. In a suite of experiments, including an application to medical image analysis, we demonstrate that incorporating privileged information in learning can reduce errors in domain transfer compared to classical learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google