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(DA)は,ラベル豊富なソースドメインから関連するがラベルのターゲットドメインへの知識を転送することを目的とする。従来のDA戦略は2つのドメインの特徴分布を整列させることである。最近,研究の増加は,目標領域のデータ構造を探索するために,自己訓練または他の半教師つきアルゴリズムに焦点を合わせてきた。しかし,それらのバルクは,信頼できる擬似ラベル,プロトタイプまたはクラスタ中心を構築するために,主に信頼できるサンプルに依存する。そのような方法でターゲットデータ構造を表現することは,巨大な低信頼度サンプルを見落とし,ソースドメインに似たサンプルに偏った準最適転送性をもたらす。この課題を克服するために,著者らは,低信頼サンプルを処理することによって,新しいコントラスト学習法を提案し,それは,実例識別過程を通して目標データ構造の利用を奨励するモデルを奨励する。特異的であるために,著者らは,低信頼サンプルだけを用いて,正および負のペアを創り,次に,それらを直接利用するよりも,分類器重みによって元の特徴を再提示し,それは,タスク特有の意味情報をよりよく符号化することができた。さらに,交差ドメイン混合を結合し,提案したコントラスト損失を増大させる。その結果,ドメインギャップはドメインを横断する中間表現のコントラスト学習により良く架橋できる。教師なしおよび半教師つきDA設定の両者で提案した方法を評価し,ベンチマークに関する広範な実験結果は,この方法が有効で最先端の性能を達成することを明らかにした。コードは,https://github.com/zhyx12/MixLRCoにおいて見つけることができた。【JST・京大機械翻訳】