초록
우리는 연관적 도메인 적응(associative domain adaptation)이라는 새로운 기술을 제안합니다. 이 기술은 라벨링된 소스 도메인의 통계적 특성을 바탕으로 라벨이 부여되지 않은 대상 도메인의 클래스 라벨을 추론하는 신경망을 사용한 엔드투엔드 도메인 적응(end-to-end domain adaptation) 작업에 적용됩니다. 우리의 학습 방식은 대상 도메인의 클래스 라벨을 효과적으로 유도하기 위해서는 네트워크가 소스 도메인에서의 분류 오류를 최소화하면서 통계적으로 도메인 간 불변(invariant) 임베딩을 생성해야 한다는 패러다임을 따릅니다. 우리는 임베딩 공간에서 직접 소스 데이터와 대상 데이터 사이의 연관성을 강화함으로써 이를 달성합니다. 우리의 방법은 구조적인 변경 없이 거의 계산 비용 없이 어떤 기존 분류 네트워크에도 쉽게 추가될 수 있습니다. 우리는 다양한 벤치마크에서 우리 접근법의 효과를 입증하고, 각각의 작업에 특별히 조정되지 않은 일반적인 컨볼루션 신경망 아키텍처를 사용하여 전반적으로 최고 수준의 결과를 달성했습니다. 마지막으로, 제안된 연관 손실 함수(association loss)가 임베딩 공간에서 최대 평균 차이(maximum mean discrepancy)를 유사성 측정으로 사용하는 방법보다 더 효과적인 임베딩을 생성한다는 것을 보여주었습니다.