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。
敵対学習は教師なしドメイン適応(UDA)に対して顕著な性能を達成した。既存の敵対的UDA法は,特徴抽出器で最小-最大ゲームを演ずる付加的識別子を採用する。しかし,これらの方法のほとんどは,予測識別情報を効果的に活用できず,その結果,発電機のモード崩壊を引き起こす。本研究では,異なる視点からこの問題に対処し,分類器フリーの敵対学習ネットワーク(DALN)の形式において,カテゴリー分類器を識別子として再利用し,統一された目的を通して明示的領域アラインメントとカテゴリ識別を達成し,DALNが十分な特徴アラインメントのための予測識別情報を活用することを可能にした。基本的に,識別を行うための明確な誘導意味を持つ核-ノルムWasserstein不一致(NWD)を導入した。このようなNWDは,追加の重みクリッピングまたは勾配ペナルティ戦略の必要なしにK-Lipschitz制約を満たす識別器として機能する分類器と結合できる。ベルとヒッスルなしで,DALNは,様々な公開データセットに関する既存の最先端技術(SOTA)法に対して有利に比較する。さらに,プラグアンドプレイ技法として,NWDは,既存のUDAアルゴリズムに利益を与える一般的な正則化器として直接使用できる。コードはhttps://github.com/xiaoachen98/DALNで利用可能である。【JST・京大機械翻訳】