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。
教師なしドメイン適応(UDA)アルゴリズム,即ち,ソースドメインからのラベル付きデータだけは,近年活発に研究されているが,ほとんどのアルゴリズムと理論的結果は,単一ソース教師なしドメイン適応(SUDA)に焦点を合わせている。しかし,実際のシナリオでは,ラベル付きデータを複数の多様なソースから典型的に収集でき,それらはターゲットドメインだけでなく互いにも異なる可能性がある。したがって,複数のソースからのドメインアダプタは,同じ方法でモデル化すべきではない。最近の深層学習ベースのマルチソース教師なしドメイン適応(MUDA)アルゴリズムは,共通の特徴空間におけるソースとターゲット領域のすべてのペアの分布のアラインメントによって,すべてのドメインのための一般的ドメイン不変表現を抽出することに焦点を合わせる。しかし,MUDAのすべてのドメインに対して同じドメイン不変表現を抽出することは,しばしば非常に困難である。さらに,これらの方法は,クラス間のドメイン特異的決定境界を考慮しない分布と一致する。これらの問題を解決するために,著者らは,複数の特定の特徴空間におけるソースとターゲット領域の各ペアの分布をそれぞれ配列するだけでなく,ドメイン特異的決定境界を利用することによって分類器の出力を整列させる,MUDAのための2つのアラインメントステージを有する新しいフレームワークを提案した。大規模な実験は,著者らの方法が画像分類のための一般的ベンチマークデータセットに関して顕著な結果を達成できることを示した。【JST・京大機械翻訳】