敵対的メタ適応ネットワークを用いたブレンド対象ドメイン適応

(非監督) ドメイン適応 (Domain Adaptation: DA) は、ソースのラベル付きデータとターゲットの非ラベル付きデータのみを用いて訓練を行う場合に、ターゲットインスタンスの分類を目指します。ドメイン不変特徴量の学習がこの目標達成に寄与しますが、単一または複数の明示的なターゲットドメインから抽出された非ラベル付きサンプル（マルチターゲットDA）を基盤としています。本論文では、より現実的な転移シナリオを検討します：私たちのターゲットドメインは、複数のサブターゲットが暗黙的に混合されているため、学習者が各非ラベル付きサンプルがどのサブターゲットに属するかを特定できない状況です。このブレンディング・ターゲット・ドメイン適応 (Blending-target Domain Adaptation: BTDA) のシナリオは実際によく見られ、これらの隠れたサブターゲット間のドメインギャップやカテゴリミスアライメントにより、既存のほとんどのDAアルゴリズムの有効性が脅威にさらされます。この新しいシナリオでの転移性能向上のために、我々は敵対的メタ適応ネットワーク (Adversarial Meta-Adaptation Network: AMEAN) を提案します。AMEANには2つの敵対的転移学習プロセスが含まれています。最初のプロセスは、従来の敵対的転移でソースドメインと混合したターゲットドメインを橋渡しすることです。2つ目のプロセスは、「適応学習」であり、これによりサブターゲット内のカテゴリミスアライメントを回避します。具体的には、非監督メタラーナーを使用してターゲットデータとその進行中の特徴量学習フィードバックを受け取り、これらの「メタサブターゲット」ドメインとしての目標クラスタを見出します。これらのメ타サブ타ーゲ트は自動的にメ타サブ타ーゲトDA損失を設計し、混合した目標における潜在的なカテゴリミスマッチを実証的に解消します。我々はAMEANおよびさまざまなDAアルゴリズムを3つのベンチマークでBTDA設定のもと評価しました。経験的結果は、BTDAが既存の大半のDAアルゴリズムにとって非常に挑戦的な転移設定であることを示していますが、AMEANはこれらの最先端ベースラインを大幅に上回り、BTDAにおけるネガティブな転移効果を効果的に抑制していることが確認されました。注：「メ타サブ타ーゲ트」（meta-sub-target）という言葉は一般的な日本語表現ではありませんが、「meta-sub-target」という専門用語を使用するために意図的に採用しました。