要約
教師なしドメイン適応（Unsupervised Domain Adaptation）は、ラベル付きサンプルがソースドメインにのみ存在し、ソースドメインとターゲットドメインのデータ分布が異なる状況下で、ラベルなしのターゲットドメインサンプルを分類する問題に対処することを目的としている。このため、ソースドメインのラベル付きサンプルから学習された分類器は、ターゲットドメインのサンプルに直接適用された場合、著しい性能低下を示す。この問題に対処するため、ドメイン不変特徴やドメイン特有の分類器を学習するさまざまな手法が提案されてきた。いずれのアプローチにおいても、ターゲットドメインにラベル付きサンプルが存在しないという課題が生じるが、これは通常、仮ラベル付け（pseudo-labeling）によって解決される。しかしながら、誤った仮ラベル付けは学習過程において悪影響を及ぼす「災害的誤差蓄積」を引き起こす可能性がある。本論文では、構造予測（structured prediction）に基づく新しい選択的仮ラベル付け戦略を提案する。構造予測のアイデアは、ターゲットドメインのサンプルが深層特徴空間内で良好にクラスタリングされているという事実に着想を得ているため、教師なしクラスタリング解析を活用することで、高精度な仮ラベル付けを実現できる。Office-Caltech、Office31、ImageCLEF-DA、Office-Homeの4つのデータセットにおける実験結果から、本手法が現在の最先端手法を上回ることを検証した。