초록
인간의 학습과 달리, 기계 학습은 종종 훈련(원본) 데이터와 테스트(타겟) 데이터의 입력 분포 사이의 변화를 처리하지 못합니다. 이러한 도메인 시프트는 실제 상황에서 자주 발생하며, 전통적인 기계 학습 방법의 성능을 크게 저하시킵니다. 타겟 데이터에 라벨이 있는 경우를 대상으로 감독된 도메인 적응 방법들이 제안되었으며, 이 중 일부는 구현이 "극히 쉬운" spite에도 불구하고 매우 우수한 성능을 보입니다. 그러나 실제로는 타겟 도메인에 라벨이 없는 경우가 많아 비감독 적응이 필요합니다. 우리는 이를 위해 간단하면서도 효과적이고 효율적인 비감독 도메인 적응 방법인 CORrelation ALignment (CORAL)을 제안합니다. CORAL은 원본과 타겟 분포의 2차 통계량을 정렬하여 도메인 시프트를 최소화하는 방식으로 작동하며, 어떠한 타겟 라벨도 요구하지 않습니다. 이 방법은 매우 단순하여 MATLAB 코드로 4줄만으로 구현할 수 있지만, 표준 벤치마크 데이터셋에서 광범위한 평가를 거친 결과 매우 우수한 성능을 보였습니다.