ドメインおよびカテゴリシフト下におけるアップサイクリングモデル

深層ニューラルネットワーク（DNN）は、ドメインシフトやカテゴリシフトが生じる状況下でしばしば性能を発揮できない。こうしたDNNを再利用し、ターゲットタスクに適応させる方法は、依然として重要な未解決課題である。特に近年提案された「ソースフリー・ドメイン適応（SFDA）」は、この問題に対処する有望な技術として注目されている。しかし、従来のSFDA手法は、ソースドメインとターゲットドメインが同一のラベル空間を持つことを前提としており、従来のクローズドセット設定にしか適用できないという制限がある。本論文では、この制約をさらに克服し、「ソースフリー・ユニバーサル・ドメイン適応（SF-UniDA）」の探索を進める。本研究の目的は、ドメインおよびカテゴリの両方のシフトが発生する状況下で、ソースクラスに存在する「既知」のデータサンプルを識別し、「未知」のデータサンプル（ソースクラスにないもの）を除外することである。この目標を達成するために、我々は新たなグローバルかつローカルなクラスタリング学習手法（GLC）を提案する。具体的には、異なるターゲットクラス間の区別を実現するための、新たなアダプティブ・ワン・アゲインスト・オール（one-vs-all）グローバルクラスタリングアルゴリズムを設計し、負の転移を軽減するためにローカルなk-NNクラスタリング戦略を導入している。我々は、部分セット、オープンセット、オープン部分セットなど、さまざまなカテゴリシフト設定を含む複数のベンチマークにおいて、GLCの優位性を検証した。特に、最も挑戦的なオープン部分セットDA設定において、VisDAベンチマーク上でのUMADを14.8%上回る性能を達成した。コードは、https://github.com/ispc-lab/GLC にて公開されている。