2달 전

대립적 드롭아웃 정규화

Kuniaki Saito; Yoshitaka Ushiku; Tatsuya Harada; Kate Saenko
대립적 드롭아웃 정규화
초록

우리는 라벨이 풍부한 소스 도메인에서 라벨이 없는 타겟 도메인으로 신경망 표현을 전송하는 방법을 제시합니다. 이 작업을 위해 최근 제안된 적대적 방법들은 특수한 도메인 비평 네트워크를 속이는 방식으로 도메인 간의 특성을 일치시키는 것을 학습합니다. 그러나 이 접근법의 단점은 비평자가 생성된 특성을 단순히 도메인 내 또는 외로 레이블링하는 것이며, 클래스 간 경계를 고려하지 않는다는 점입니다. 이는 클래스 경계 근처에서 모호한 특성이 생성되어 타겟 분류 정확도가 감소할 수 있습니다. 우리는 이러한 문제를 해결하기 위해 새로운 접근법, 적대적 드롭아웃 규제(Adversarial Dropout Regularization, ADR)를 제안합니다. ADR의 핵심 아이디어는 비평자를 대체하여 분별력이 없는 특성을 감지하는 비평자를 사용하고, 분류기 네트워크에 드롭아웃을 적용하는 것입니다. 생성기는 이러한 특성 공간 영역을 피하도록 학습하여 더 나은 특성을 생성하게 됩니다. 우리는 ADR 접근법을 이미지 분류 및 의미 세분화 작업의 비지도 도메인 적응 문제에 적용하고, 기존 최신 기술보다 상당한 개선 효과를 보여줍니다. 또한 우리의 접근법이 반지도 학습을 위한 생성적 적대 네트워크(GAN) 훈련에도 사용될 수 있음을 입증하였습니다.