要約
部分ドメイン適応（Partial Domain Adaptation, PDA）は、ターゲットドメインのラベル空間がソースドメインのラベル空間の部分集合であるという仮定に基づく手法であり、近年注目を集めている。この二つのドメイン間にはラベル空間の違いが存在するため、PDAにおいては直接的なドメイン間のアライメントが困難である。この問題を解決するために、本研究ではターゲットドメインへの適応に有用なデータを選択する「選択的部分ドメイン適応（Selective Partial Domain Adaptation, SPDA）」手法を提案する。具体的には、PDAに特化した最大コサイン類似度（Maximum of Cosine, MoC）関数を設計し、ソースドメインから有用なデータを効果的に選択することで、ドメイン間の乖離を低減する。MoC類似度関数では、各ターゲットサンプルに対して、コサイン類似度が最大となるソースサンプルを選定し、適応に用いる。さらに、ターゲットドメインから有用なデータをソースドメインに追加するための選択的学習手法を設計した。この手法は、まず自己学習（self-training）戦略によりターゲットサンプルに仮ラベル（pseudo-label）を付与し、その後、仮ラベルに対する信頼度が高いターゲットサンプルをソースドメインに追加する。この二つの選択操作に基づき、提案手法SPDAはドメイン適応に有用なデータを効果的に選択可能となる。複数のデータセットにおける実験結果から、提案手法SPDAの有効性が示された。