비지도 시각적 도메인 적응: 깊은 최대 마진 가우스 프로세스 접근법

비지도 도메인 적응에서 공통 입력 표현을 통해 원본 도메인과 대상 도메인이 서로 구분할 수 없게 함으로써 대상 도메인 오류를 증명적으로 줄일 수 있다는 점은 널리 알려져 있습니다. 최근에는 단순히 주변 입력 분포를 일치시키는 것뿐만 아니라 출력(클래스) 분포의 정렬도 중요하다는 연구가 이루어졌습니다. 후자는 예측기(분류기) 간의 최대 불일치를 최소화함으로써 달성될 수 있습니다. 본 논문에서는 이 원칙을 채택하지만, 가우스 과정(Gaussian processes, GP)을 통해 가설 일관성을 보다 체계적이고 효과적으로 달성하는 방법을 제안합니다. GP은 잠재 랜덤 함수의 사후 분포로부터 분류기의 가설 공간을 정의하거나 유도할 수 있게 하며, 이를 통해 학습이 적대적 미니맥스 최적화 기반의 이전 접근법보다 훨씬 쉽게 해결할 수 있는 간단한 큰 마진 사후 분리 문제로 전환됩니다. 우리는 사후 분포가 최대 불일치를 최소화하도록 효과적으로 밀어내는 학습 목표를 공식화하였습니다. 이는 또한 대상 도메인에서 클래스 예측의 마진을 최대화하고 불확실성을 최소화하는 것과 동등하다는 것이 입증되었습니다. 이는 고전적인 (준-지도) 학습에서 잘 확립된 원칙입니다. 경험적 결과는 우리의 접근법이 여러 벤치마크 도메인 적응 데이터셋에서 기존 방법들과 비교하여 유사하거나 우월함을 보여줍니다.