抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
敵対的学習は,異なるドメインにわたって移動可能な表現を学習する際に顕著な進歩を達成した。一般的に,以前の研究は,ドメイン不変特徴を抽出することにより,ラベル付きソースデータとラベルなしターゲットデータ間のドメインシフトの低減に主である。しかし,これらの敵対的方法は,クラス間のタスク特異的決定境界をめったに考慮せず,交差ドメインタスクにおける分類性能劣化を引き起こす。本論文では,異なるドメインにわたる移動可能な知識の能力を改善するために,学習領域不変表現に集中し,同時に分類決定境界に近接する注意を払う,敵対ネットワーク(C2FAN)における識別クラス中心特徴学習による教師なしドメイン適応のタスクのための新しいアプローチを提案した。C2FANは特徴抽出器,分類器および識別器から成る。第1に,特徴抽出器におけるソースとターゲットドメインの間のドメインギャップを減らすために,著者らは,ドメイン不変特徴を抽出して,同時に分類装置の弁別性を改善するために,条件付き広告学習モジュールを利用することを提案する。さらに,分類器に存在するドメインシフトを低減する高効率層正規化モジュールを示した。第2に,著者らは,同じクラスサンプルの分布距離を減らすために,分類装置における識別クラス中心特徴学習モジュールを設計して,決定境界が容易に異なるクラスを識別することができて,それは目標サンプルに関する誤分類を減少することができた。さらに,C2FANは,現在のドメイン適応アプローチに便利に埋め込むことができる,効果的だがかなり単純なアプローチである。大規模な実験は,著者らの提案モデルがいくつかの標準ドメイン適応ベンチマークに関して満足のいく結果を達成することを示した。Copyright Springer Science+Business Media, LLC, part of Springer Nature 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】