Multifidelity能動学習を用いた段階的ドメイン適応

• Item type: SIG Technical Reports(1)
• 公開日: 2022-06-20
• タイトル: Multifidelity能動学習を用いた段階的ドメイン適応
• タイトル / 言語: en
• タイトル: Cost-effective Framework for Gradual Domain Adaptation with Multifidelity
• 言語: jpn
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 総合研究大学院大学
• 著者所属: 統計数理研究所
• 著者所属: 理化学研究所
• 著者所属(英): en
• 著者所属(英): The Graduate University for Advanced Studies (SOKENDAI)
• 著者所属(英): en
• 著者所属(英): The Institute of Statistical Mathematics
• 著者所属(英): en
• 著者所属(英): RIKEN AIP
• 著者名: 佐川, 正悟; 日野, 英逸
• 著者名(英): Shogo, Sagawa; Hideitsu, Hino
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: ドメイン適応においてドメイン間に大きな距離がある場合，予測能が低下することが知られている．段階的ドメイン適応は，このような問題の解決策の １ つであり，ソースからターゲットへ向かって徐々にシフトする中間ドメインが利用できることを仮定している．既存研究では豊富な中間ドメインが利用できることを仮定しているため，ラベル付きのデータを必要とせず自己学習だけでドメイン適応が可能であった．一方， 利用可能な中間ドメインが制限されている場合，自己学習は破綻してしまうが， このような状況を想定した研究は報告がない．我々はこの課題の解決策として少量のクエリを要求することにし，さらに現実的な問題設定として各ドメインからのクエリにコストがかかることを考える．コストと精度のトレードオフを解消するために，multifidelity と能動的ドメイン適応を組み合わせた新しいフレームワークを提案する．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: In domain adaptation, when there is a large distance between the source and target domains, the prediction performance will degrade. Gradual domain adaptation is one of the solutions to such an issue, assuming that we have access to intermediate domains, which shift gradually from the source to target domains. In previous works, it was assumed that the number of samples in the intermediate domains is sufficiently large; hence, self-training was possible without the need for labeled data. If access to an intermediate domain is restricted, self-training will fail. Practically, the cost of samples in intermediate domains will vary, and it is natural to consider that the closer an intermediate domain is to the target domain, the higher the cost of obtaining samples from the intermediate domain is. To solve the trade-off between cost and accuracy, we propose a framework that combines multifidelity and active domain adaptation. The effectiveness of the proposed method is evaluated by experiments with both artificial and real-world datasets.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA12055912
• 書誌情報: 研究報告バイオ情報学（BIO）; 巻 2022-BIO-70, 号 8, p. 1-8, 発行日 2022-06-20
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8590
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会