要約
最上位の深層アーキテクチャは、大量のラベル付きデータで訓練されます。特定のタスクに対するラベル付きデータが不足している場合、類似した性質を持つが異なるドメイン（例えば、合成画像）からのラベル付きデータが利用可能であれば、ドメイン適応が魅力的な選択肢となります。本稿では、ソースドメインから大量のラベル付きデータと、ターゲットドメインから大量の非ラベル付きデータ（ターゲットドメインのラベル付きデータは不要）を用いて訓練できる新しいドメイン適応手法を提案します。訓練が進むにつれて、この手法は以下の特性を持つ「深層」特徴量の出現を促進します。(i) ソースドメインにおける主要な学習タスクに対して識別力があり、(ii) ドメイン間のシフトに対して不変であるという特性です。我々は、几乎所有のフィードフォワードモデルに標準的な数層とシンプルな新しい勾配反転層（gradient reversal layer）を追加することで、このような適応行動を達成できることを示しています。結果として得られる拡張アーキテクチャは、標準的なバックプロパゲーションを使用して訓練することができます。全体的に、この手法はどの深層学習パッケージでも比較的容易に実装できます。本方法は一連の画像分類実験において非常に優れた性能を発揮し、大きなドメインシフトがある場合にも適応効果を達成し、Officeデータセットでの以前の最先端技術を上回る結果を得ています。