要約
ドメイン適応は、ソースドメインで学習された共有知識を新たな環境（ターゲットドメイン）に転移する手法である。一般的なアプローチとして、ラベル付きのソースドメインデータとラベルなしのターゲットドメインデータの両方を用いてモデルを学習する方法がある。しかし、この手法ではソースドメインの強い教師信号により、学習されたモデルが偏りを生じやすい。多くの研究者は過学習を防ぐために早期停止（early-stopping）戦略を採用しているが、ターゲットドメインに検証データセットが存在しないため、いつ停止すべきかという問題は依然として困難である。本論文では、訓練中に補完的なモデルを明示的に学習することで、ユーザーが経験則に基づく早期停止に依存しなくてもよい、効率的なブートストラッピング手法「AdaBoost Student」を提案する。AdaBoost Studentは、深層学習モデルと従来の適応的ブースティング（adaptive boosting）戦略を統合し、学習済みモデルとデータサンプラーとの相互作用を可能にする。本手法では、困難なサンプルに対する学習を段階的に促進する適応型データサンプラーを導入し、「弱い」モデルを集約することで過学習を抑制する。広範な実験の結果、（1）停止タイミングの心配をせずに、訓練中に効率的な補完モデル学習により、堅牢な解決策を提供する。（2）AdaBoost Studentは、多数のドメイン適応手法と直交しており、既存のアプローチと組み合わせることで、最先端の性能をさらに向上させることが可能である。本手法は、3つの広く用いられているシーンセグメンテーションドメイン適応ベンチマークにおいて、競争力ある結果を達成した。