本研究では、ソースデータにアクセスできない状況下で、対象ドメインにプライベートクラスが存在する教師なし領域適応問題に取り組む。
まず、クラスタリングを用いて対象ドメインのサンプルを初期的にラベル付けし、共有クラスとプライベートクラスを分離する。次に、近傍サンプルの合意に基づいてラベルを漸次的に改善する。さらに、ラベルの不確実性を二つの指標で評価し、信頼性の高いサンプルのみを選択的に学習に用いる。
提案手法は、ネガティブラーニングを組み込んだ新しい contrastive loss を導入することで、ラベルノイズに対するロバスト性を高めている。
実験の結果、ベンチマークデータセットにおいて、従来手法を上回る性能を示した。さらに、プライベートクラスのサンプルを適切に分類できることを確認し、新規クラスの発見が可能であることを示した。
To Another Language
from source content
arxiv.org
Ключові висновки, отримані з
by Mattia Litri... о arxiv.org 04-17-2024
https://arxiv.org/pdf/2404.10574.pdfГлибші Запити