非監督視覚ドメイン適応：深層最大余裕ガウス過程アプローチ

非監督ドメイン適応において、ソースドメインとターゲットドメインが互いに区別できない共有入力表現を持つことで、ターゲットドメインの誤差を証明可能に削減できることが広く知られています。最近では、周辺入力分布だけでなく、出力（クラス）分布の整合性も重要であることが研究されています。後者は、予測器（分類器）の最大相違性を最小化することで達成できます。本論文では、この原理を採用しつつ、ガウス過程（Gaussian processes: GP）を用いて仮説の一貫性をより体系的かつ効果的に達成する方法を提案します。GPは、潜在的なランダム関数の事後分布から分類器の仮説空間を定義・誘導することを可能にし、学習を単純な大余裕事後分離問題に変換します。これは、敵対的ミニマックス最適化に基づく従来のアプローチよりもはるかに解きやすい問題です。我々は、学習目標として最大相違性を最小限に抑えるように事後分布を押し進める効果的な式を定式化しました。さらに、これはターゲットドメインにおけるクラス予測の大余裕最大化と不確実性最小化に相当することが示されました。これは古典的な（半教師付き）学習において確立された原理です。経験的な結果は、我々の手法がいくつかのベンチマークドメイン適応データセットで既存の手法と同等かそれ以上であることを示しています。