CAT: Class Aware Adaptive Thresholding for Semi-Supervised Domain Generalization

要約

ドメイン一般化 (DG) は、ドメインのシフトが存在する場合でも、複数のソース ドメインから目に見えないターゲット ドメインに知識を伝達しようとします。
通常、効果的な一般化を実現するには、ラベル付きソース データの大規模で多様なセットが必要で、新しい未知のドメインに一般化できる堅牢な表現を学習できます。
ただし、このような高品質のラベル付きデータの取得にはコストと労力がかかることが多く、DG の実際の適用性が制限されます。
これに対処するために、ラベル効率の良いパラダイムの下での半教師ありドメイン一般化 (SSDG) という、より現実的で困難な問題を調査します。
この論文では、限られたラベル付きデータを使用した半教師あり学習を活用して、ドメイン シフト下で競争力のある汎化パフォーマンスを達成する新しい手法 CAT を提案します。
私たちの方法は、固定閾値への依存やノイズの多い擬似ラベルに対する感度など、これまでのアプローチの重要な制限に対処しています。
CAT は、適応型しきい値処理とノイズの多いラベル調整技術を組み合わせて、SSDG タスク用の単純かつ非常に効果的なソリューションを作成します。
具体的には、私たちのアプローチは、柔軟なしきい値処理を使用して、より高いクラスの多様性を持つ高品質の擬似ラベルを生成すると同時に、ノイズの多い擬似ラベルを洗練して信頼性を向上させます。
複数のベンチマーク データセットにわたる広範な実験により、私たちの手法の優れたパフォーマンスが実証され、ドメイン シフトの下で堅牢な一般化を達成する際のその有効性が強調されています。

要約(オリジナル)

Domain Generalization (DG) seeks to transfer knowledge from multiple source domains to unseen target domains, even in the presence of domain shifts. Achieving effective generalization typically requires a large and diverse set of labeled source data to learn robust representations that can generalize to new, unseen domains. However, obtaining such high-quality labeled data is often costly and labor-intensive, limiting the practical applicability of DG. To address this, we investigate a more practical and challenging problem: semi-supervised domain generalization (SSDG) under a label-efficient paradigm. In this paper, we propose a novel method, CAT, which leverages semi-supervised learning with limited labeled data to achieve competitive generalization performance under domain shifts. Our method addresses key limitations of previous approaches, such as reliance on fixed thresholds and sensitivity to noisy pseudo-labels. CAT combines adaptive thresholding with noisy label refinement techniques, creating a straightforward yet highly effective solution for SSDG tasks. Specifically, our approach uses flexible thresholding to generate high-quality pseudo-labels with higher class diversity while refining noisy pseudo-labels to improve their reliability. Extensive experiments across multiple benchmark datasets demonstrate the superior performance of our method, highlighting its effectiveness in achieving robust generalization under domain shift.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google