2ヶ月前

対抗的ドロップアウト正則化

Kuniaki Saito; Yoshitaka Ushiku; Tatsuya Harada; Kate Saenko
対抗的ドロップアウト正則化
要約

ラベル豊富なソースドメインからラベルのないターゲットドメインへのニューラル表現の転送方法を提案します。このタスクのために最近提唱された敵対的手法は、特殊なドメイン批判ネットワークを欺くことでドメイン間の特徴量を揃えることを学習します。しかし、このアプローチの欠点は、批判ネットワークが生成された特徴量を単にドメイン内か否かでラベリングするだけで、クラス間の境界を考慮していないことです。これにより、クラス境界近くで曖昧な特徴量が生成され、ターゲット分類精度が低下する可能性があります。そこで、我々は新しい手法である敵対的ドロップアウト正則化(Adversarial Dropout Regularization: ADR)を提案し、ジェネレータがターゲットドメインに対してより識別力のある特徴量を出力することを促進します。我々の主なアイデアは、批判ネットワークに代わって非識別的な特徴量を検出するネットワークを使用し、分類器ネットワークにドロップアウトを行うことです。ジェネレータはこれらの特徴空間の領域を避けることを学習し、より良い特徴量を作り出すことができます。我々はADRアプローチを画像分類と意味分割タスクにおける教師なしドメイン適応問題に適用し、最先端技術よりも大幅な改善を示しました。また、我々のアプローチが半教師付き学習用の生成敵対ネットワーク(Generative Adversarial Networks: GANs)の訓練にも使用できることも示しています。