#339
summarized by : Ryo Nakamura
Unknown-Oriented Learning for Open Set Domain Adaptation

どんな論文か?

Open set domain adaptation(OSDA)にはソースドメインからの関連知識がない状態でこれらの様々な未知のサンプルを未知のカテゴリーとして分類するという問題を抱えている.既存研究では,カテゴリ内の大きな変動が無視され複雑な分布を表現することができないため優れた性能を発揮するには至っていなかった.この論文ではUnknown-Oriented Learnt(UOL)を提案.図参照
placeholder

新規性

未知カテゴリを明示的に学習するために,真の未知発掘,偽の未知抑制,既知アライメントの3段階でOSDA問題に対処する新しいフレームワークUOLを提案. 真の未知探索では,未知の多様な意味情報を探索するために,重みの不一致制約を備えた複数未知検出器が提案.また,偽未知検出では,2つの勾配グラフを構築し,データの本質的な幾何学的構造を利用することで,信頼できる擬似ラベルを獲得.

結果

2つの標準的なOSDAベンチマークと1つの新規な医療診断ベンチマークを用いて,広範な実験し,その結果,他のSOTA手法と比較して優位であることが示された.さらに,アブレーション研究により,提案するUOLフレームワークの影響と有効性が検証された.

その他(なぜ通ったか?等)

Open-set domain adaptationのための新しいフレームワークUOLを提案し,アブレーションスタディや,比較実験において有意な結果を示していたため.