文献

J-GLOBAL ID：202202281114793779   整理番号：22A1113238

蒸留識別クラスタリングによる教師なしドメイン適応【JST・京大機械翻訳】

Unsupervised domain adaptation via distilled discriminative clustering

著者 (3件)： Tang Hui (School of Electronic and Information Engineering, South China University of Technology, Guangzhou, Guangdong 510641, China) ,  Wang Yaowei (Peng Cheng Laboratory, Shenzhen, Guangdong 518000, China) ,  Jia Kui (School of Electronic and Information Engineering, South China University of Technology, Guangzhou, Guangdong 510641, China)
資料名： Pattern Recognition  (Pattern Recognition)
巻： 127  ページ： Null  発行年： 2022年 
JST資料番号： D0611A  ISSN： 0031-3203  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： 教師なしドメイン適応はラベル付きターゲットドメインにおけるデータの分類問題に対処し,共通のラベル空間を共有するラベル付きソースドメインデータを与えるが,異なる分布に従う。最近の方法の大部分は,2つのドメイン間の特徴分布を明示的に整列させるアプローチを取っている。ドメイン適応性の基本的仮定によって動機づけられて,著者らは,密接に関連するラベル付きソースデータによって提供される強い特権情報を与えて,ターゲットデータの弁別的クラスタ化としてドメイン適応問題を再キャストした。技術的に,ターゲットデータ,ソフトFisher様基準,さらに重心分類によるクラスタ順序付けを適応的にフィルタするエントロピー最小化のロバスト変異体に基づくクラスタリング目的を用いた。ターゲットクラスタリングのための識別源情報を蒸留するために,ラベル付きソースデータに対して並列,教師つき学習目的を用いてネットワークを共同訓練することを提案する。DisClusterDAとしてドメイン適応のための蒸留識別クラスタリングの方法を述べた。また,DisClusterDAの構成目的が,クラス毎の純粋でコンパクトな特徴分布をどのように学習するかを説明する幾何学的直感を与えた。マルチソースドメイン適応を含む5つの一般的なベンチマークデータセットに関する注意深いアブレーション研究と広範な実験を行った。一般的に使用されるバックボーンネットワークに基づいて,DisClusterDAはこれらのベンチマーク上で既存の方法より優れている。また,著者らのDisClusterDAフレームワークにおいて,ドメインにわたるクラスレベル特徴分布を明示的に学習する付加的損失項を追加することは,適応性能に害を与えるが,異なるアルゴリズムフレームワークにおけるより注意深い研究が行われることである。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： アラインメント ,  アルゴリズム ,  ネットワーク ,  *蒸留 ,  重心 ,  *クラスタ化 ,  基幹回線 ,  教師つき学習 ,  *クラスタ ,  アブレーション ,  ベンチマーク ,  ロバスト性 ,  機械学習
準シソーラス用語： 画像分類 ,  順序づけ ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： 深層学習 ,  教師なしドメイン適応 ,  画像分類 ,  知識蒸留 ,  深層識別クラスタリング ,  陰領域アラインメント

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 蒸留 ,  識別 ,  クラスタリング ,  教師 ,  ドメイン適応