LEAD: ソースフリー汎用ドメイン適応のための学習分解法

ユニバーサル・ドメイン適応（Universal Domain Adaptation: UniDA）は、共変量シフト（covariate shift）とラベルシフト（label shift）が同時に存在する状況下での知識移行を目的としています。近年、ソースデータにアクセスできない環境でもUniDAを実現可能な「ソースフリー・ユニバーサル・ドメイン適応（Source-free Universal Domain Adaptation: SF-UniDA）」が注目され、データ保護ポリシーの観点から実用性が高いとされています。この分野における主な課題は、共変量シフトによって変化したサンプルが、ターゲットドメイン固有の未知カテゴリに属するかどうかを正確に判断することにあります。従来の手法は、手動で設計された閾値を用いるか、計算コストの高い反復的クラスタリング戦略を採用して対処してきました。本論文では、特徴量を「ソース既知」と「ソース未知」の成分に分離することで、ターゲット固有のデータを識別する新しいアプローチであるLEArning Decomposition（LEAD）を提案します。技術的には、LEADは特徴量の直交分解分析（orthogonal decomposition analysis）を用いて初期の特徴分解を実現し、その後、インスタンスレベルでの決定境界を構築することで、ターゲット固有データを適応的に識別します。さまざまなUniDAシナリオにおける広範な実験により、LEADの有効性と優位性が実証されました。特にVisDAデータセットにおけるOPDA（Open-Set Partial Domain Adaptation）シナリオでは、LEADは従来のGLC手法と比較して全体のHスコアで3.5%の向上を達成し、疑似ラベル決定境界を導出する時間も75%削減しました。さらに、LEADは既存の多数の手法と補完的である点でも優れた利点を有しています。実装コードは以下のURLから公開されています：https://github.com/ispc-lab/LEAD。