T-SVDNet：マルチソースドメイン適応における高次プロトタイプ相関の探索

既存のドメイン適応手法の多くは、単一のソースドメインからの適応に焦点を当てているが、実際にはターゲットドメインの性能向上に寄与する複数の関連するソースが存在する場合が多い。本研究では、マルチソースドメイン適応（Multi-source Domain Adaptation: MDA）という課題に対応するため、ニューラルネットワークの学習パイプラインにテンソル特異値分解（Tensor Singular Value Decomposition: T-SVD）を組み込む新しいアプローチ、T-SVDNetを提案する。本手法では、複数のドメインおよびカテゴリ間における高次相関を十分に活用することで、ドメインギャップをより効果的に埋めることを目的としている。具体的には、複数のプロトタイプ類似度行列を積み重ねて得られるテンソルにテンソル低ランク（Tensor-Low-Rank: TLR）制約を課すことにより、異なるドメイン間で共通するデータ構造を捉えようとする。さらに、ノイズを含むソースデータによる負の伝搬（negative transfer）を回避するため、不確実性推定の結果に基づき、各ソースドメインおよびサンプルに適応的に重みを割り当てる新しい不確実性認識型重み付け戦略を提案する。公開ベンチマーク上での広範な実験により、最先端手法と比較して本モデルがマルチソースドメイン適応の課題に対して優れた性能を発揮することが確認された。