ソースフリー領域適応における内在的近傍構造の活用

ドメイン適応（Domain Adaptation, DA）は、ソースドメインとターゲットドメイン間のドメインシフトを軽減することを目的としている。多くのDA手法はソースデータへのアクセスを前提としているが、実際にはデータのプライバシー保護や知的財産権の関係から、ソースデータにアクセスできない場合がしばしば存在する。本論文では、ソースデータが利用不可能な状況下で、事前学習されたソースモデルをターゲットドメインに適応させるという困難な「ソースフリー・ドメイン適応（Source-Free Domain Adaptation, SFDA）」問題に取り組む。我々の手法は、ターゲットデータがソースドメイン分類器と一致しなくなる可能性がある一方で、依然として明確なクラスタ構造を形成しているという観察に基づいている。この内在的な構造を捉えるために、ターゲットデータの局所的類似性（local affinity）を定義し、局所的類似性が高くなるデータ間でラベルの一貫性を促進する。さらに、相互に近接する（相互隣接）データに対してより高い類似性を割り当てるべきであることに着目し、ノイズの多い隣接データによる悪影響を低減するための自己正則化損失を提案する。また、より豊かな文脈情報を集約するため、小さな類似性値を持つ拡張された近傍領域（expanded neighborhood）も考慮する。実験結果から、ターゲット特徴の内在構造がドメイン適応において重要な情報源であることが確認された。本研究では、局所近傍、相互近傍、および拡張近傍を統合的に考慮することで、この局所構造を効率的に捉えることが可能であることを示した。最終的に、複数の2D画像および3Dポイントクラウド認識データセットにおいて、最先端の性能を達成した。コードは以下のURLで公開されている：https://github.com/Albert0147/SFDA_neighbors。