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)は転送学習の顕著なタスクの1つであり,ラベル付きソースドメインとラベルなしターゲットドメイン間の分布シフトを緩和するための効果的なアプローチを提供する。これまでの研究は,主に限界分布または推定クラス条件分布を整列させることに焦点を合わせる。しかし,特徴とラベル間の関節依存性は適応タスクにとって重要であり,完全には利用されていない。この問題に取り組むために,無限次元カーネル空間における最適輸送理論に基づいて,結合分布シフトを直接モデル化するBures共同分布アラインメント(BJDA)アルゴリズムを提案した。特に,関節分布間のカーネルBures-Wasserstein距離を最小化する新しいアラインメント損失項を提案した。技術的に,BJDAは,データの基礎となる非線形構造を効果的に捉えることができる。さらに,クラス分離性を柔軟に特徴付け,表現の識別能力を改善するために,コントラスト学習フェーズにおける動的マージンを導入した。また,従来の三重項損失ベースの方法におけるマージンパラメータを決定する交差検証法を避ける。大規模な実験は,BJDAがUDAタスクに対して非常に有効であり,ほとんどの実験設定において最先端のアルゴリズムより優れていることを示した。特に,BJDAはUDAタスクの平均精度をAdaptipeで2.8%,Ofice-Caltech10で1.4%,ImageCLEF-DAで1.1%改善した。【JST・京大機械翻訳】