要約
深層学習手法は、ラベル付きのソースドメインを活用して異なる分布を持つラベルなしのターゲットドメインの分類器を学習することを目指す非監督ドメイン適応において、有望な結果を示しています。しかし、これらの手法は一般的に、ソースドメインとターゲットドメインの周辺分布を一致させるための領域不変表現空間を学習しますが、その微細構造には注目していません。本論文では、両ドメインにおける判別クラスタリング構造を効果的に組み込むことでより良い適応を実現する非監督ドメイン適応手法「教師モデルによるクラスタアラインメント（Cluster Alignment with a Teacher: CAT）」を提案します。技術的には、CATは暗黙的なアンサンブル教師モデルを使用して、ラベルなしのターゲットドメインの特徴空間におけるクラス条件付き構造を信頼性高く発見します。その後、CATはソースドメインとターゲットドメインの両方の特徴量が判別的なクラス条件付きクラスターを形成し、それらに対応するクラスター間でアラインメントを行うように強制します。経験的結果は、CATがいくつかの非監督ドメイン適応シナリオにおいて最先端の成果を達成していることを示しています。