文献

J-GLOBAL ID：202002294119482023   整理番号：20A1816751

敵対ネットワーク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【JST・京大機械翻訳】

Unsupervised Domain Adaptation via Discriminative Classes-Center Feature Learning in Adversarial Network

著者 (2件)： Chen Wendong (School of Electronics and Information Technology, Sun Yat-sen University, Guangzhou, China) ,  Hu Haifeng (School of Electronics and Information Technology, Sun Yat-sen University, Guangzhou, China)
資料名： Neural Processing Letters  (Neural Processing Letters)
巻： 52  号： 1  ページ： 467-483  発行年： 2020年 
JST資料番号： W0953A  ISSN： 1370-4621  CODEN： NPLEFG  資料種別： 逐次刊行物 (A)
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： 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】

シソーラス用語： 弁別器 ,  *学習 ,  広告 ,  *ネットワーク ,  分類装置 ,  特徴抽出 ,  ベンチマーク ,  正規化
準シソーラス用語： 敵意 ,  高効率 ,  性能劣化 ,  分類会計機 , 【Automatic Indexing@JST】

著者キーワード (4件)： 教師なしドメイン適応 ,  層正規化 ,  敵対的学習 ,  センター損失

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 敵対 ,  識別 ,  クラス ,  学習 ,  教師 ,  ドメイン適応