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。
ドメイン適応は,ラベル付きソースドメインから学習された知識を,そのデータ分布が異なるラベルなしターゲットドメインに変換することを目的とする。しかし,既存の方法の大部分によって要求されるソースドメインにおける訓練データは,プライバシー保護政策による実世界アプリケーションにおいて通常利用できない。最近,ソース-ファイルドメイン適応(SFDA)は,ソースデータを用いずにドメイン適応問題に取り組む試みを試みている。本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定を介してSFDAタスクに対処した。最初に,著者らは,初期クラス中心が事前訓練モデルの分類器によって学習された重みベクトル(アンカ)である球面k-平均クラスタ化を有するターゲットデータのためのロバスト擬似ラベルを生成した。さらに,ターゲットデータと対応するアンカーを利用して,ソースドメインのクラス条件付特徴分布を推定することを提案する。最後に,推定分布から代理特徴をサンプリングし,次に,コントラスト適応損失関数を最小化することにより2つのドメインを整列させるのに利用した。大規模な実験は,提案方法が複数のDAベンチマークに関して最先端の性能を達成して,多くのソースデータを必要とする従来のDA方法より優れていることを示した。【JST・京大機械翻訳】