要約
教師なしドメイン適応（UDA）手法は、ドメイン不変表現を学習する上で顕著な進展を遂げてきた。しかし、多数の研究はソースドメインからターゲットドメインへの直接的な適応に基づいており、大きなドメイン差異の問題に直面していた。本論文では、こうした大きなドメイン差異を効果的に処理できるUDA手法を提案する。我々は、ソースドメインとターゲットドメインの間に複数の中間ドメインを生成するための固定比率に基づくミックスアップ手法を導入する。これらの拡張されたドメインから、相補的な特徴を持つソース優位モデルとターゲット優位モデルを学習する。さらに、信頼度に基づく学習手法（例えば、高信頼度予測を用いた双方向マッチングや、低信頼度予測を用いた自己ペナルティ）を用いることで、モデル同士が互いに学習するか、あるいは自身の出力から学習することができる。本研究で提案する手法により、モデルは段階的にソースドメインからターゲットドメインへとドメイン知識を転移する。広範な実験により、Office-31、Office-Home、VisDA-2017の3つの公開ベンチマークにおいて、本手法の優位性が確認された。