選択、ラベル付与、混合：部分ドメイン適応のための識別的不変特徴表現の学習

部分ドメイン適応（partial domain adaptation）は、未知のターゲットラベル空間がソースラベル空間の部分集合であることを仮定する手法として、コンピュータビジョン分野において注目を集めている。近年の進展にもかかわらず、既存の手法は依然として3つの主要な課題に直面している：ネガティブな転移（negative transfer）、潜在空間における識別能の不足、およびドメイン不変性の欠如である。これらの問題を緩和するために、本研究では部分ドメイン適応向けに判別力のある不変特徴表現を学習することを目的とした新しい「選択・ラベル付け・混合」（Select, Label, and Mix; SLM）フレームワークを提案する。まず、「選択（select）」モジュールとして、両ドメイン間の分布を整える過程で外れ値となるソースサンプルを自動的に除外する効率的な機構を設計し、ネガティブな転移を回避する。次に、「ラベル付け（label）」モジュールでは、ラベル付きソースデータとターゲットドメインに対する生成された仮ラベルを用いて分類器を反復的に訓練することで、潜在空間の識別能を向上させる。最後に、「混合（mix）」モジュールでは、他の二つのモジュールと連携してドメインミックスアップ正則化を導入し、ドメイン間のより本質的な構造を探索することで、部分ドメイン適応に適したドメイン不変な潜在空間を構築する。複数のベンチマークデータセットを用いた広範な実験により、提案フレームワークが最先端手法を上回る優れた性能を発揮することが確認された。