既知の同時分布マッチングと未知の分類リスク再定式化によるオープンセットドメイン適応

科学分野:

• 機械学習
• コンピュータビジョン
• 統計的学習

背景:

• オープンセットドメイン適応（OSDA）は、ラベル付きソースデータと、既知および未知のクラスを含むラベルなしターゲットデータでの機械学習の課題に対処します。
• 既存のOSDA手法は、ソースとターゲットの分布の違いや、未知のクラスのリスク推定に苦労しています。
• OSDAにおける2つの主要な課題は、既知のクラスのソースとターゲットの同時分布の不一致と、未知のクラスの分類リスクの推定です。

研究 の 目的:

• OSDAの主要な課題を解決するための原則的なアプローチ、既知の同時分布マッチングと未知の分類リスク再定式化（KMUR）を導入します。
• ソースとターゲットの既知の同時分布を一致させることにより、ソースとターゲットの分布の違いを減らします。
• ラベルなしのソースデータとターゲットデータを使用して、ターゲットの未知の分類リスクを再定式化および推定します。

主な方法:

• 分類損失には交差エントロピーを、同時分布マッチングには三角形識別（TD）距離を使用します。
• TD距離を最小二乗分類問題として定式化することにより、最小二乗TD推定（LSTDE）を開発します。
• 効果的なOSDAのために、推定されたターゲット分類リスクとTD距離を最小化するようにニューラルネットワークをトレーニングします。

主要な成果:

• KMURは、ソースとターゲットの分布の違いを効果的に減らし、未知のクラスのリスク推定を改善します。
• ベンチマークおよび実世界のデータセットでの実験結果は、提案されたアプローチの有効性を検証します。
• この手法は、オープンセットドメイン適応タスクで大幅な改善を示しています。

結論:

• KMURは、OSDAの二重の課題に取り組むための堅牢なフレームワークを提供します。
• このアプローチは、ドメイン適応における分布シフトと未知のクラスを処理するための原則的な方法を提供します。
• この研究は、現実世界の機械学習アプリケーションに実用的な影響を与える新しい手法に貢献します。