文献

J-GLOBAL ID：202002263889053957   整理番号：20A2571932

マルチソースオープンセットディープ敵対領域適応【JST・京大機械翻訳】

Multi-source Open-Set Deep Adversarial Domain Adaptation

著者 (6件)： Rakshit Sayan (Indian Institute of Technology Bombay, Mumbai, India) ,  Tamboli Dipesh (Indian Institute of Technology Bombay, Mumbai, India) ,  Meshram Pragati Shuddhodhan (Indian Institute of Technology Bombay, Mumbai, India) ,  Banerjee Biplab (Indian Institute of Technology Bombay, Mumbai, India) ,  Roig Gemma (Goethe University Frankfurt, Frankfurt, Germany) ,  Chaudhuri Subhasis (Indian Institute of Technology Bombay, Mumbai, India)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 12371  ページ： 735-750  発行年： 2020年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： マルチソースオープンセット教師なしドメイン適応(MS-OSDA)の新しい学習パラダイムを導入した。最近,ソースドメイン閉鎖集合(既知)クラスに加えて,ターゲットドメインにおける以前に見えないオープンセット(未知)クラスの存在を考慮する単一ソースオープンセットドメイン適応(SS-OSDA)の概念が注目されている。SS-OSDA設定において,ラベル付き試料は同じ源から引き出されると仮定した。しかし,ラベル付きサンプルが複数のソースドメインに分布すると仮定することはより妥当であるが,既存のSS-OSDA技術は,複数のソースドメイン間の多様性を考慮して,このより現実的なシナリオを直接取り扱うことができない。治療として,MS-OSDAを扱う新しい敵対学習駆動手法を提案した。正確に,ソースドメイン間のドメインギャップを明示的に緩和するすべてのドメインに対する共有特徴空間をモデル化した。敵対学習戦略を導入して,未知クラスをより分離できる間,ソースデータでターゲットドメインから既知クラスサンプルを整列させた。オフィス-31,オフィス-ホーム,オフィス-CalTech,およびDigitsデータセットに関する著者らの方法を検証し,提案モデルがベースラインおよびベンチマークSS-OSDA手法よりも一貫して優れていることを見出した。Copyright Springer Nature Switzerland AG 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  基準線 ,  ベンチマーク
準シソーラス用語： 特徴空間 ,  学習戦略 , 【Automatic Indexing@JST】

著者キーワード (3件)： ドメイン適応 ,  マルチソース ,  オープンセット

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (2件)： 敵対 ,  適応