文献

J-GLOBAL ID：202202224933683702   整理番号：22A0203211

情報源データフリー教師なしドメイン適応における情報理論的表現学習のためのモデル誘導一般化誤差限界【JST・京大機械翻訳】

Model-Induced Generalization Error Bound for Information-Theoretic Representation Learning in Source-Data-Free Unsupervised Domain Adaptation

著者 (4件)： Yang Baoyao (School of Computers, Guangdong University of Technology, Guangzhou, China) ,  Yeh Hao-Wei (Machine Intelligence Laboratory, The University of Tokyo, Tokyo, Japan) ,  Harada Tatsuya (Machine Intelligence Laboratory, The University of Tokyo, Tokyo, Japan) ,  Yuen Pong C. (Department of Computer Science, Hong Kong Baptist University, Hong Kong)
資料名： IEEE Transactions on Image Processing  (IEEE Transactions on Image Processing)
巻： 31  ページ： 419-432  発行年： 2022年 
JST資料番号： W0364A  ISSN： 1057-7149  CODEN： IIPRE4  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 多くの教師なしドメイン適応(UDA)法を開発し,様々なパターン認識タスクにおいて有望な結果を達成した。しかしながら,ほとんどの既存の方法は,ソースからターゲットドメインへの知識を転送するとき,ソースデータがターゲットドメインで利用可能であると仮定する。データプライバシーに関する新たな規制のため,ソースデータのアベイラビリティは,新しいドメインにUDA法を適用するとき保証できない。ソースデータの欠如はUDAをより困難にし,ほとんどの既存の方法はもはや適用できない。この問題を処理するために,本論文では,ソースデータフリー教師なしドメイン適応(SF-UDA)におけるクロスドメイン表現を解析した。ソースデータの代わりに訓練されたソースモデルを用いて,ターゲットドメイン予測誤差を結合する新しい定理を導いた。提案した定理に基づいて,情報ボトルネック理論を導入して,ターゲットドメイン予測誤差の一般化上限を最小化し,それによってドメイン適応を達成した。最小化は,新しく開発された潜在アラインメント変分自動符号器(LA-VAE)を用いて変分推論フレームワークに実装される。実験結果は,ソースデータを使用することなく,いくつかの交差データセット分類タスクにおいて提案方法の良い性能を示した。アブレーション研究と特徴可視化もSF-UDAにおける著者らの方法の有効性を検証した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アラインメント ,  *情報理論 ,  パターン認識 ,  変分法 ,  *情報源 ,  可視化 ,  アベイラビリティ ,  符号器 ,  有効性 ,  アブレーション ,  予測誤差
準シソーラス用語： 変分推論 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (9件)： 情報源 ,  教師 ,  ドメイン適応 ,  情報理論 ,  表現学習 ,  モデル ,  誘導 ,  一般化 ,  誤差限界