Butterfly: Wildly Unsupervised Domain Adaptation을 향한 단계적 접근

비지도 도메인 적응(UDA, Unsupervised Domain Adaptation)에서, 대상 도메인(TD, Target Domain)의 분류기는 소스 도메인(SD, Source Domain)에서 얻은 깨끗한 라벨된 데이터와 TD에서 얻은 비라벨된 데이터를 사용하여 훈련됩니다. 그러나 실제 환경에서는 제한된 예산으로 SD에서 완벽하게 깨끗한 많은 라벨된 데이터를 확보하는 것이 어렵습니다. 따라서, 우리는 새로운, 더 현실적이고 더 어려운 문제 설정을 고려합니다. 이 설정에서는 분류기가 SD에서 얻은 노이즈가 있는 라벨된 데이터와 TD에서 얻은 비라벨된 데이터를 사용하여 훈련되어야 합니다. 이를 '야생의 UDA' 또는 WUDA(Wildly UDA)라고 명명합니다. 우리는 WUDA가 SD의 라벨 노이즈에 주의를 기울이지 않으면 모든 UDA 방법을 무너뜨릴 수 있음을 보여주고, 이를 해결하기 위해 강력하고 효율적인 솔루션인 버터플라이 프레임워크를 제안합니다. 버터플라이는 네 개의 딥 네트워크를 동시에 유지하며, 그 중 두 개는 모든 적응 과정(즉, 노이즈-깨끗함, 라벨-비라벨, 그리고 SD-TD 분포적응)을 담당하고 나머지 두 개는 TD에서의 분류에 집중할 수 있습니다. 결과적으로, 버터플라는 WUDA를 해결하기 위한 개념적으로 필요한 모든 구성 요소를 갖추고 있습니다. 실험 결과는 WUDA 하에서 버터플라이가 기존 베이스라인 방법론보다 현저히 우수한 성능을 보임을 입증합니다.