Generalized Universal Domain Adaptation with Generative Flow Networks

要約

タイトル：汎用性の高いジェネレーティブフローネットワークを用いた汎用性の高いドメイン適応

要約：

– GUDAという新しい無教師ドメイン適応問題を提案する。
– GUDAは未知のカテゴリを含むすべてのターゲットラベルの正確な予測を実現することを目的としており、ラベル分布のシフトに基づくバリアントとラベル空間の不一致に基づくバリアントのギャップを埋める。
– GFlowDAというアクティブドメイン適応アルゴリズムを提案し、ジェネレーティブフローネットワークの強力な探索能力を利用して、ターゲットラベル分布を推定しながら新しいターゲットカテゴリを開発することができる。
– GUANという訓練パラダイムを提案し、GUANとGFlowNetの協調最適化を行う。
– 理論解析から、探索の重要性が明らかになり、ベンチマークデータセットでの実験により、GFlowDAの優位性が示された。

要約(オリジナル)

We introduce a new problem in unsupervised domain adaptation, termed as Generalized Universal Domain Adaptation (GUDA), which aims to achieve precise prediction of all target labels including unknown categories. GUDA bridges the gap between label distribution shift-based and label space mismatch-based variants, essentially categorizing them as a unified problem, guiding to a comprehensive framework for thoroughly solving all the variants. The key challenge of GUDA is developing and identifying novel target categories while estimating the target label distribution. To address this problem, we take advantage of the powerful exploration capability of generative flow networks and propose an active domain adaptation algorithm named GFlowDA, which selects diverse samples with probabilities proportional to a reward function. To enhance the exploration capability and effectively perceive the target label distribution, we tailor the states and rewards, and introduce an efficient solution for parent exploration and state transition. We also propose a training paradigm for GUDA called Generalized Universal Adversarial Network (GUAN), which involves collaborative optimization between GUAN and GFlowNet. Theoretical analysis highlights the importance of exploration, and extensive experiments on benchmark datasets demonstrate the superiority of GFlowDA.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI