文献

J-GLOBAL ID：202202246678991358   整理番号：22A0565360

自己教師つき学習と深層クラスタリングに基づくドメイン適応のための一般的ネットワーク【JST・京大機械翻訳】

Generic network for domain adaptation based on self-supervised learning and deep clustering

著者 (11件)： Baffour Adu Asare (School of Information and Software Engineering, University of Electronic Science and Technology of China, Chengdu 610054, China) ,  Qin Zhen (School of Information and Software Engineering, University of Electronic Science and Technology of China, Chengdu 610054, China) ,  Qin Zhen (Network and Data Security Key Laboratory of Sichuan Province, Chengdu 610054, China) ,  Geng Ji (School of Information and Software Engineering, University of Electronic Science and Technology of China, Chengdu 610054, China) ,  Geng Ji (Network and Data Security Key Laboratory of Sichuan Province, Chengdu 610054, China) ,  Ding Yi (School of Information and Software Engineering, University of Electronic Science and Technology of China, Chengdu 610054, China) ,  Ding Yi (Network and Data Security Key Laboratory of Sichuan Province, Chengdu 610054, China) ,  Deng Fuhu (School of Information and Software Engineering, University of Electronic Science and Technology of China, Chengdu 610054, China) ,  Deng Fuhu (Network and Data Security Key Laboratory of Sichuan Province, Chengdu 610054, China) ,  Qin Zhiguang (School of Information and Software Engineering, University of Electronic Science and Technology of China, Chengdu 610054, China) ,  Qin Zhiguang (Network and Data Security Key Laboratory of Sichuan Province, Chengdu 610054, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 476  ページ： 126-136  発行年： 2022年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： ドメイン適応法は,ソースとターゲットドメインの間の類似の特徴表現を見つけるためのモデルを訓練する。最近の方法は,自己監督学習を利用して,2つのドメインの類似表現を発見する。しかし,事前自己監督法は3つの重要な欠点がある。(1)低レベル表現を学習するのに影響を受けやすい事前テキストタスクの活用,(2)抽出された特徴が低レベル表現であるかどうか考慮せずに,2つのドメインを敵対するので,そのモデルは,目標ラベルのさまざまな割合,すなわち,ターゲットラベルが常に利用可能であると仮定するのに柔軟ではない。本論文では,これらの問題に取り組むために,Generic Domain Adaptation Network(GDAN)を提案した。最初に,高レベルドメイン不変表現を学習するための適切な事前テキストタスクを選択するために,インスタンス識別に基づく基準を導入した。次に,2つのドメイン特徴を整列させるために,意味的隣接クラスタを提案した。意味的隣接クラスタは,高レベル意味類似性に従ってクラスタを形成するために,特徴埋込み空間におけるクラスタリング技術を実行する。最後に,目標ラベルに従ってモデル重みのバランスをとるために重み付きターゲット損失関数を提示した。この損失関数は,GDANを半教師つきシナリオ,すなわち部分ラベル付きターゲットデータに柔軟にする。4つのドメイン適応ベンチマークデータセット上で提案した方法を評価した。実験結果は,提案方法が2つのドメインを良好に整列させ,競合結果を達成することを示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 表現 ,  *学習 ,  損失関数 ,  *ネットワーク ,  適応 ,  *範囲 ,  *クラスタ化 ,  *教師つき学習 ,  *クラスタ ,  モデル ,  深層 ,  画像認識
準シソーラス用語： 意味類似性 ,  特徴表現 , 【Automatic Indexing@JST】

著者キーワード (5件)： ドメイン適応 ,  自己教師つき学習 ,  深いクラスタリング ,  画像認識 ,  プレテキストタスク

分類 (2件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (5件)： 自己 ,  教師つき学習 ,  深層 ,  クラスタリング ,  ドメイン適応