초록
비지도 도메인 적응의 목표는 라벨이 부여된 (출처) 도메인의 지식을 활용하여 라벨이 부여되지 않은 (대상) 도메인에서 모델의 학습 성능을 개선하는 것입니다. 이는 두 분포 간의 차이가 미치는 영향을 완화하는 것이 기본 전략입니다. 대부분의 기존 알고리즘은 비지도 폐쇄 집합 도메인 적응 (UCSDA)만 처리할 수 있습니다. 즉, 출처와 대상 도메인이 동일한 라벨 집합을 공유한다고 가정하는 경우입니다. 본 논문에서는 더 어려우나 현실적인 설정인 비지도 개방 집합 도메인 적응 (UOSDA)를 목표로 합니다. UOSDA에서는 대상 도메인이 출처 도메인에 존재하지 않는 알려지지 않은 클래스를 포함합니다. 우리는 이 연구에서 처음으로 개방 집합 도메인 적응에 대한 학습 경계를 제공하며, 이를 통해 대상 분류기의 알려지지 않은 클래스에 대한 위험성을 이론적으로 조사합니다. 제안된 학습 경계에는 알려지지 않은 클래스에 대한 대상 분류기의 위험성을 반영하는 특수 항목, 즉 '개방 집합 차이'가 포함되어 있습니다. 또한, 이 '개방 집합 차이' 경계를 규제하는 것을 기반으로 하는 새로운 이론적 접근 방식의 비지도 알고리즘인 '분포 정렬 및 개방 차이 (DAOD)'를 제시합니다. 여러 벤치마크 데이터셋에서 수행한 실험 결과, 제안된 UOSDA 방법론이 문헌에 소개된 최신 방법론들보다 우수한 성능을 보임을 확인할 수 있었습니다.