文献

J-GLOBAL ID：202102255145001079   整理番号：21A3312514

メタ学習ベースクロスドメイン検証による識別敵対領域一般化【JST・京大機械翻訳】

Discriminative adversarial domain generalization with meta-learning based cross-domain validation

著者 (3件)： Chen Keyu (Department of Electrical Engineering, University of South Florida, Tampa, FL 33620, United States) ,  Zhuang Di (Department of Electrical Engineering, University of South Florida, Tampa, FL 33620, United States) ,  Chang J. Morris (Department of Electrical Engineering, University of South Florida, Tampa, FL 33620, United States)
資料名： Neurocomputing  (Neurocomputing)
巻： 467  ページ： 418-426  発行年： 2022年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 1つまたは複数の見えるドメイン(s)からの学習を介して”unseen”ドメインに対する知識を一般化する機械学習モデルの一般化能力は,実世界条件における機械学習アプリケーションを開発し,展開するために非常に重要である。ドメイン一般化(DG)技術は機械学習モデルのそのような一般化能力の強化を目的とし,そこでは学習特徴表現と分類器が一般化を改善し,決定を行うための2つの重要因子である。本論文では,メタ学習ベースのクロスドメイン検証による識別的敵対領域一般化(DADG)を提案した。提案フレームワークは,ソースドメインからドメイン不変特徴表現を学習し,それを非セエンスドメインに一般化することを試みた。それは,領域一般化深層ニューラルネットワーク(DNN)モデルを構築するために相乗的に作用する2つの主成分を含んでいる。(i)複数の「seen」ドメインに関する一般化された特徴表現を積極的に学習する弁別的敵対学習,および(ii)訓練プロセスにおけるメタ学習技術を適用することにより,訓練/テストドメインシフトをシミュレートするメタ学習ベース交差ドメイン検証。実験評価では,3つのベンチマークデータセットに対して,提案手法と他の既存の手法の間で包括的な比較を行った。結果は,DADGが一貫して強いベースラインDeepAllより優れていて,ほとんどの評価事例で他の既存のDGアルゴリズムより優れていることを示した。Copyright 2021 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *学習 ,  応用プログラム ,  基準線 ,  ベンチマーク ,  機械学習
準シソーラス用語： *メタ学習 ,  実験評価 ,  特徴表現 ,  ディープニューラルネットワーク ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (4件)： 畳込みニューラルネットワーク ,  ドメイン一般化 ,  弁別敵対学習 ,  Meta学習

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： メタ学習 ,  検証 ,  識別 ,  敵対 ,  一般化