教師なしドメイン適応のための暗黙的クラス条件付きドメインアライメント

本稿では、ドメイン内クラス不均衡およびドメイン間クラス分布シフトという実用的な課題に特に注目しつつ、クラス条件付きドメイン整合の観点から無監督ドメイン適応（unsupervised domain adaptation）のアプローチを提示する。現在のクラス条件付きドメイン整合手法は、ターゲットドメインの擬似ラベル推定に基づく損失関数を明示的に最小化することを目的としている。しかし、こうした手法は擬似ラベルのバイアス—特に誤差の累積—という問題を抱えている。本研究では、擬似ラベルから直接モデルパラメータの最適化を行う必要を排除する手法を提案する。代わりに、サンプリングに基づく陰的整合アプローチを導入し、サンプル選択プロセスが擬似ラベルによって間接的にガイドされる仕組みを構築する。理論的分析により、整合が不十分なクラスにおいてドメイン識別器の「ショートカット」が存在することが示され、本提案する陰的整合アプローチがこの問題を克服し、ドメイン対抗学習を促進することを確認した。実験結果およびアブレーションスタディにより、本手法の有効性が裏付けられ、特にドメイン内クラス不均衡およびドメイン間クラス分布シフトが存在する状況下においても高い性能を発揮することが明らかになった。