カリキュラムグラフ共教授法による多目標ドメイン適応

本論文では、マルチターゲットドメイン適応（MTDA）を取り扱います。これは、ラベル付きのソースデータセット1つと、データ分布が異なる複数のラベルなしターゲットデータセットが与えられた場合、すべてのターゲットドメインに対して堅牢な予測器を学習するという課題です。私たちは、MTDAにおける複数のドメインシフトを軽減するために重要な2つの側面を特定しました。それは特徴量集約とカリキュラム学習です。このため、私たちはカリキュラムグラフコティーチング（CGCT）を提案します。CGCTはデュアル分類器ヘッドを使用し、そのうち1つはグラフ畳み込みネットワーク（GCN）で、各ドメイン間の類似サンプルから特徴量を集約します。分類器が自身のノイジーパスードーラベルに過学習しないようにするために、カリキュラム学習によって支援されるデュアル分類器ヘッドを使用したコティーチング戦略を開発しました。これによりより信頼性の高いパスードーラベルを得ることができます。さらに、ドメインラベルが利用可能な場合、私たちはドメイン認識型カリキュラム学習（DCL）を提案します。これは順次的な適応戦略で、まず簡単なターゲットドメインに適応し、その後難しいものに適応します。私たちはいくつかのベンチマークにおいて提案したフレームワークの有効性を実験的に示し、DomainNetなどのMTDAにおける最先端技術を大幅に向上させました（例：+5.6%）。