초록
딥러닝 방법들은 라벨이 부여된 소스 도메인을 활용하여 라벨이 부여되지 않은 타겟 도메인에 대해 분류기를 학습하는 비지도 도메인 적응에서 유망한 결과를 보여주었습니다. 그러나 이러한 방법들은 일반적으로 소스와 타겟 도메인의 주변 분포를 일치시키기 위해 도메인 불변 표현 공간을 학습하면서, 그 세부 구조들을 무시합니다. 본 논문에서는 비지도 도메인 적응을 위한 클러스터 정렬과 교사 모델(Cluster Alignment with a Teacher, CAT)을 제안합니다. 이 방법은 두 도메인 모두에서 더 나은 적응을 위해 차별화된 클러스터링 구조를 효과적으로 통합할 수 있습니다. 기술적으로 CAT는 암묵적인 앙상블 교사 모델을 활용하여 라벨이 부여되지 않은 타겟 도메인의 특성 공간에서 클래스 조건부 구조를 신뢰성 있게 발견합니다. 그런 다음 CAT는 소스와 타겟 도메인의 특성을 차별화된 클래스 조건부 클러스터로 형성하도록 강제하고, 두 도메인 간의 해당 클러스터들을 정렬시킵니다. 경험적 결과는 CAT가 여러 비지도 도메인 적응 시나리오에서 최신 연구 결과를 달성함을 입증합니다.