要約
敵対的学習は、ドメイン適応のための分離可能で転送可能な表現を学習するために深層ネットワークに組み込まれています。既存の敵対的ドメイン適応手法は、分類問題において多峰性分布を持つ異なるドメインを効果的にアライメントすることができない場合があります。本論文では、判別情報が分類器の予測に含まれていることを条件とする敵対的ドメイン適応（Conditional Adversarial Domain Adaptation）について提案します。このフレームワークは、理論的な保証とわずかなコードにより、5つのデータセットで最先端の結果を超える性能を達成しています。条件付きドメイン敵対ネットワーク（Conditional Domain Adversarial Networks, CDANs）は、以下の2つの新しい条件付け戦略に基づいて設計されています。1つ目は、特徴表現と分類器予測間のクロス共分散を捉え、判別能力を向上させる多線形条件付け（Multilinear Conditioning）。2つ目は、分類器予測の不確実性を制御し、転送可能性を保証するエントロピー条件付け（Entropy Conditioning）です。