生成するための適応：ジェネラティブ・アドバーサリアル・ネットワークを使用したドメインのアライメント

ドメイン適応は、コンピュータビジョンにおける活発に研究されている問題です。本研究では、学習された結合特徴空間においてソース分布とターゲット分布を近づけるために、教師なしデータを活用する手法を提案します。これにより、学習された埋め込みと生成対抗ネットワーク（GAN）の間で共生関係を誘導します。これは、現実的なデータ生成やそのようなデータを使用した深層モデルの再学習のために対抗的フレームワークを利用する手法とは対照的です。我々は、3つの異なるタスク（難易度が異なる）で実験を行い、提案手法の強さと汎用性を示します。(1) デジタル分類（MNIST, SVHN, USPSデータセット）、(2) OFFICEデータセットを使用した物体認識、(3) 合成データから実際のデータへのドメイン適応です。我々の方法は、ほとんどの実験設定において最先端の性能を達成し、OFFICEやDIGITSなどの異なるデータセットで良好な結果を示した唯一のGANベースの手法となっています。