초록
적대적 학습은 도메인 적응을 위해 딥 네트워크에 통합되어 분리되고 전송 가능한 표현을 학습하는 데 사용되었습니다. 기존의 적대적 도메인 적응 방법들은 분류 문제에서 고유하게 존재하는 다중 모드 분포의 다른 도메인을 효과적으로 정렬하지 못할 수 있습니다. 본 논문에서는 분류기 예측에서 전달되는 판별 정보를 조건으로 하는 적대적 도메인 적응의 원칙적인 프레임워크인 조건부 적대적 도메인 적응(Conditional Adversarial Domain Adaptation)을 제시합니다. 조건부 도메인 적대적 네트워크(CDANs, Conditional Domain Adversarial Networks)는 두 가지 새로운 조건화 전략으로 설계되었습니다: 특성 표현과 분류기 예측 사이의 교차 공분산을 포착하여 판별력을 향상시키는 다중 선형 조건화(multilinear conditioning), 그리고 분류기 예측의 불확실성을 제어하여 전송 가능성을 보장하는 엔트로피 조건화(entropy conditioning)입니다. 이 접근법은 이론적인 보장과 몇 줄의 코드로, 5개 데이터셋에서 최신 연구 결과를 초월하였습니다.