사이클 일관성 조건부 적대적 전이 네트워크

도메인 적응은 레이블이 부여된 소스 도메인과 레이블이 없는 타겟 도메인 간의 데이터 분포가 상이할 때의 지식 전이 문제를 탐구한다. 최근, 적대적 학습은 도메인 적응에 성공적으로 적용되어 최첨단 성능을 달성하였다. 그러나 현재의 적대적 모델에는 적대적 학습의 균형 문제에서 비롯된 치명적인 약점이 여전히 존재한다. 구체적으로, 기존 대부분의 방법들은 도메인 구분자(Domain Discriminator)를 혼란스럽게 만들 수는 있지만, 소스 도메인과 타겟 도메인이 충분히 유사하다는 보장을 하지 못한다. 본 논문에서는 이러한 문제를 해결하기 위해 새로운 접근법인 {\it 사이클 일관성 조건부 적대적 전이 네트워크}(3CATN)를 제안한다. 제안한 방법은 적대적 학습을 활용하여 도메인 간 일치를 달성한다. 구체적으로, 학습된 특징의 교차공분산(Cross-covariance)과 분류기 예측을 조건으로 하여 데이터 분포의 다중모달 구조를 포착한다. 그러나 분류기 예측은 확실한 정보가 아니므로, 예측이 정확하지 않을 경우 예측에 강한 조건을 걸 경우 위험할 수 있다. 따라서 본 연구에서는 진정한 도메인 불변 특징이 한 도메인에서 다른 도메인으로 번역될 수 있어야 한다는 아이디어를 제안한다. 이를 위해 조건부 적대적 도메인 적응 네트워크에 두 가지 특징 번역 손실과 하나의 사이클 일관성 손실을 도입한다. 고전적 및 대규모 데이터셋에서 실시한 광범위한 실험을 통해 제안 모델이 기존 최첨단 기법들을 의미 있는 성능 향상으로 초월함을 입증하였다.