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。
ソースフリードメインアダプテーション(SFDA)は,データプライバシー,セキュリティ,および伝送問題のため,はるかに実用的な設定である,良くラベルされたソースデータにアクセスすることなく,ラベルなしターゲットドメインに事前訓練ソースモデルを適応させることを目的とする。ソースデータがないために,ほとんどの既存の方法は,自己訓練モデル適応を実現するために,特徴プロトタイプベースの擬似ラベリング戦略を導入した。しかしながら,特徴プロトタイプは,インスタンスレベル予測に基づく特徴クラスタ化によって得られ,それは,ソースとターゲットの間の視覚ドメインギャップが通常カテゴリー間で異なるので,カテゴリバイアスであり,雑音のあるラベルをもたらす傾向がある。さらに,単中心性特徴プロトタイプは,各カテゴリーを表現するのに効果がなく,特にそれらのハード移動データに対して,負の転送を導入することを見出した。これらの問題に取り組むために,SFDAタスクのための一般的クラスBalanced多中心動的プロトタイプ(BMD)戦略を提案する。具体的には,各ターゲットカテゴリーに対して,まず,潜在的代表的ターゲットサンプルを統合するための大域的クラス間バランスサンプリング戦略を導入した。次に,よりロバストで代表的なプロトタイプ生成を達成するためにクラス内多中心クラスタリング戦略を設計した。固定訓練期間において擬似ラベルを更新する既存の戦略とは対照的に,モデル適応中にネットワーク更新情報を組み込むための動的擬似ラベリング戦略をさらに導入した。大規模な実験は,提案モデル-診断BMD戦略が,新しい最先端の結果を得るために,代表的SFDA法を著しく改善することを示した。コードはhttps://github.com/ispc lab/BMDで利用可能である。【JST・京大機械翻訳】