ワンショット教師なしドメイン適応のための敵対的スタイルマイニング【JST・京大機械翻訳】

Luo Yawei; Liu Ping; Guan Tao; Yu Junqing; Yang Yi

プレプリント

J-GLOBAL ID：202202207416979187 整理番号：22P0134347

ワンショット教師なしドメイン適応のための敵対的スタイルマイニング【JST・京大機械翻訳】

Adversarial Style Mining for One-Shot Unsupervised Domain Adaptation

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2020年04月13日プレプリントサーバーでの情報更新日： 2020年04月13日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

ワンショット教師なしドメイン適応という問題を狙った。従来の教師なしドメイン適応と異なり,1つのラベルなしターゲットサンプルだけが適応を学習するときに利用できると仮定する。この設定は現実的であるが,より挑戦的であり,そこでは,従来の適応アプローチが,ラベルなしターゲットデータが少ないため故障を起こしやすい。この目的のために,著者らは,スタイル転送モジュールとタスク特異的モジュールを敵対的方式に組み合わせる,新しいAdversarial Style Miningアプローチを提案した。特に,スタイル転送モジュールは,現在の学習状態に従って,1ショットターゲットサンプルの周りのより硬いスタイリング画像を反復的に探索し,タスクモデルを導き,ほとんど見えないターゲットドメインで解決するのが困難な潜在的スタイルを探索し,従って,データスカラスシナリオにおける適応性能をブースティングする。敵対学習フレームワークは,スタイル転送モジュールとタスク特異的モジュールが競争の間,互いに利益を与える。クロスドメイン分類とセグメンテーションベンチマークの両方に関する広範な実験は,ASMが挑戦的なワンショット設定の下で最先端の適応性能を達成することを検証した。【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

人工知能 , パターン認識

, , , ,

前のページに戻る