不確実性モデリングを用いた幾何学的アンカー対応マイニングによるユニバーサルドメイン適応

ユニバーサル・ドメイン適応（UniDA）は、ラベル豊富なソースドメインから得られた知識を、ラベルが限られたターゲットドメインに転移するという目標を有しており、ラベル空間に制約を設けないことが特徴である。しかし、ドメインシフトとカテゴリシフトの存在により、UniDAは極めて困難な課題である。その核心的な課題は、共通の「既知」サンプルと固有の「未知」サンプルの両方を正確に認識することにある。従来の研究では、両ドメイン間の内在的な幾何学的関係性を十分に探求しておらず、過信したクローズドワールド分類器に対して手動でしきい値を設定して「未知」サンプルを除外する手法が一般的であった。本論文では、これらの課題を緩和するため、不確実性モデリングを統合した幾何学的アンカー誘導型敵対的かつ対比学習フレームワーク、すなわちGATE（Geometric anchor-guided Adversarial and conTrastive learning with uncErtainty modeling）を提案する。具体的には、まずランダムウォークに基づくアンカー抽出戦略と高次のアテンション機構を組み合わせ、ドメイン間の対応関係を構築する。次に、グローバルな分布補正を目的とした幾何学的敵対学習と、サブグラフレベルでの対比学習を用いた局所領域の集約を統合する「グローバル・ジョイント・ローカル・ドメイン整合」パラダイムを設計する。ターゲットドメインにおける固有サンプルの正確な検出を実現するため、エネルギー不確実性をモデル化することで汎用的なインクリメンタル分類器を導入する。さらに、多様体ミックスアップを効率的に用いて新規カテゴリを生成し、オープンセットエントロピーを最小化することで、「未知」のしきい値を適応的に学習する。3つのベンチマークにおける広範な実験結果から、GATEが従来の最先端UniDA手法を顕著に上回ることが示された。