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。
教師なし領域適応(UDA)は,訓練中のクリーングラウンドトルースラベルを持つソースドメインサンプルを必要とする。多数のソースドメインサンプルを正確にラベリングすることは,時間がかかり,面倒である。代替は訓練のためにノイズのあるラベルを持つサンプルを利用することである。しかし,雑音のあるラベルによる訓練はUDAの性能を大幅に削減できる。本論文では,雑音のあるラベルへのアクセスだけでUDAモデルを学習し,ロバストな局所保存と大域的アラインメントネットワーク(RLPGA)と呼ばれる新しい方法を提案した。RLPGAは2つの側面からラベルノイズのロバスト性を改善する。1つはロバスト情報理論ベース損失関数による分類器の学習である。もう一つは,入力データの局所トポロジー構造を保存するために,提案した局所保存モジュールにより2つの隣接重み行列と2つの負重み行列を構築する。提案したRLPGAのロバスト性に関する理論解析を行い,ロバスト情報理論ベース損失と局所保存モジュールが目標領域の経験的リスクを低減するのに有益であることを証明した。一連の経験的研究は,提案したRLPGAの有効性を示した。【JST・京大機械翻訳】