Core Concepts
LEADフレームワークは、Source-free Universal Domain Adaptation(SF-UniDA)において、ターゲットプライベートデータを識別するための優れた方法です。
Abstract
新しいアイデアであるLEArning Decomposition(LEAD)は、特徴をソース知られている部分と未知の部分に分解して、ターゲットプライベートデータを識別します。このフレームワークは、オーソゴナル分解を活用して特徴空間を構築し、インスタンスレベルの決定境界を確立します。さまざまなSF-UniDAシナリオでの実験では、LEADの効果と優越性が示されました。OPDAシナリオではVisDAデータセットで、LEADはGLCよりも全体的なHスコアが3.5%向上しました。
LEADは既存の多くのSF-UniDA手法と補完的であり、効果的な方法です。Office-HomeのOPDAシナリオではUMADよりもHスコアが7.9%向上しました。
Stats
OPDAシナリオにおけるVisDAデータセットで、LEADはGLCよりも3.5%全体的なHスコアが向上しました。
Office-HomeのOPDAシナリオではUMADよりもHスコアが4.9%向上しました。
Quotes
"Existing methods tackle this either through hand-crafted thresholding or by developing time-consuming iterative clustering strategies."
"LEAD outperforms GLC by 3.5% overall H-score and reduces 75% time to derive pseudo-labeling decision boundaries."
"LEAD attains an H-score of 76.6%, surpassing GLC by 3.5%."