SENTRY：委員会一貫性を用いた選択的エントロピー最適化による教師なしドメイン適応

従来の無監督ドメイン適応（UDA）手法は、主にデータ分布の変化（data distribution shift）にのみ対応しており、追加のドメイン間ラベル分布の変化（cross-domain label distribution shift）が存在する状況では限定的な成果にとどまっている。近年、ターゲットドメインの疑似ラベル（pseudo-label）を用いた自己学習（self-training）に基づくアプローチが有望さを示しているが、特に困難な分布シフトにおいては疑似ラベルの信頼性が著しく低下し、それを用いた自己学習は誤りの蓄積やドメインの不整合を引き起こす可能性がある。本研究では、ランダムな画像変換群（committee of random image transformations）による予測の一貫性（predictive consistency）に基づいて、ターゲットインスタンスの信頼性を評価する「委員会的一貫性を活用した選択的エントロピー最適化（SENTRY）」という新たなUDAアルゴリズムを提案する。本手法は、予測の一貫性が高いターゲットインスタンスについては予測エントロピーを選択的に最小化し、信頼性を高める一方で、一貫性が低いインスタンスについてはエントロピーを最大化して信頼性を低減する。さらに、疑似ラベルに基づく近似的なターゲットクラスバランスの調整と組み合わせることで、標準的なUDAベンチマークおよびラベル分布シフト下での適応を厳しく検証するためのベンチマークにおいて、31のドメインシフトのうち27において、既存の最先端手法を顕著に上回る性能を達成した。