要約
我々はアソシエーティブドメイン適応（associative domain adaptation）という新しい技術を提案します。これは、ラベル付きのソースドメインの統計的特性に基づいて、ラベルなしのターゲットドメインに対するクラスラベルを推論するタスクである、ニューラルネットワークを使用したエンドツーエンドのドメイン適応に向けた手法です。我々の学習スキームは、ターゲットドメインに対して効果的にクラスラベルを導出するために、ネットワークが統計的にドメイン不変な埋め込みを生成しつつ、ラベル付きソースドメインでの分類誤差を最小化するというパラダイムに従っています。これを達成するために、埋め込み空間内で直接ソースデータとターゲットデータとの間の関連性を強化します。我々の方法は、既存の分類ネットワークに簡単に追加でき、構造的な変更やほとんど計算負荷を必要としません。我々は様々なベンチマークで本手法の有効性を示し、一般的な畳み込みニューラルネットワークアーキテクチャを使用して、それぞれのタスクに特化した調整を行わずに最先端の結果を得ました。最後に、提案されたアソシエーション損失が埋め込み空間における最大平均相違（maximum mean discrepancy）を使用する方法よりも、より効果的な埋め込みを生成することを示しています。