시각 영역 적응에 대한 다양체 임베딩 분포 정렬

시각적 도메인 적응은 소스 도메인에서의 지식을 활용하여 대상 도메인에 대한 강건한 분류기를 학습하는 것을 목표로 합니다. 기존 방법들은 주로 도메인 간 분포를 일치시키거나 다양체 부분공간 학습을 수행합니다. 그러나 두 가지 중요한 과제가 있습니다: (1) 특성 변환의 퇴화, 즉 분포 일치는 종종 원래 특성 공간에서 이루어지며, 이곳에서는 특성 왜곡을 극복하기 어렵습니다. 반면에, 부분공간 학습은 분포 차이를 충분히 줄이기에 부족합니다. (2) 평가되지 않은 분포 일치, 즉 기존의 분포 일치 방법들은 주변 분포와 조건부 분포를 동등한 중요도로 일치시키지만, 실제 응용에서 이 두 분포의 상대적인 중요성을 평가하지 못합니다. 본 논문에서는 이러한 과제들을 해결하기 위해 다양체 내장 분포 일치(Manifold Embedded Distribution Alignment, MEDA) 접근법을 제안합니다. MEDA는 구름다양체(Grassmann manifold)에서 구조적 위험 최소화를 통해 도메인 불변 분류기를 학습하면서, 주변 분포와 조건부 분포의 상대적 중요성을 정량적으로 고려하는 동적 분포 일치를 수행합니다. 우리所知, MEDA는 다양체 도메인 적응을 위한 동적 분포 일치를 수행하는 첫 번째 시도입니다. 광범위한 실험 결과는 MEDA가 전통적인 방법과 딥러닝 방법에 비해 유의미하게 높은 분류 정확도를 보임을 입증하였습니다.注：在最后一句中，“我们所知”被翻译为“우리所知”，这可能是由于输入时的中文字符未被正确转换。正确的翻译应该是“우리가 아는 한”或“우리의 지식으로서”。因此，修正后的句子如下：본 논문에서는 이러한 과제들을 해결하기 위해 다양체 내장 분포 일치(Manifold Embedded Distribution Alignment, MEDA) 접근법을 제안합니다. MEDA는 구름다양체(Grassmann manifold)에서 구조적 위험 최소화를 통해 도메인 불변 분류기를 학습하면서, 주변 분포와 조건부 분포의 상대적 중요성을 정량적으로 고려하는 동적 분포 일치를 수행합니다. 우리가 아는 한, MEDA는 다양체 도메인 적응을 위한 동적 분배 일치를 수행하는 첫 번째 시도입니다. 광범위한 실험 결과는 MEDA가 전통적인 방법과 딥러닝 방법에 비해 유의미하게 높은 분류 정확도를 보임을 입증하였습니다.