8일 전
상관관계 인지형 적대적 도메인 적응 및 일반화
Mohammad Mahfujur Rahman, Clinton Fookes, Mahsa Baktashmotlagh, Sridha Sridharan

초록
도메인 적응(DA)과 도메인 일반화(DG)는 소스 데이터와 타겟 데이터의 분포가 서로 다를 때 발생하는 도메인 시프트 문제에 대한 해결책으로 부상하고 있다. DG의 경우, 훈련 단계에서 타겟 데이터가 완전히 미리 보이지 않기 때문에 DA보다 더 도전적인 과제이다. 현재 최첨단 기법들은 적대적 기법을 활용하고 있으나, 이러한 기법들은 DG 문제에 거의 적용되지 않고 있다. 게다가 이러한 접근 방식들은 도메인 간 차이를 최소화하는 데 매우 유익하다는 것이 입증된 상관관계 정렬(correlation alignment)을 고려하지 않는다. 본 논문에서는 소스 데이터와 타겟 데이터의 특징을 상관관계 정렬과 적대적 학습을 함께 사용하여 최소화하는 상관관계 인지(adaptive) 적대적 DA 및 DG 프레임워크를 제안한다. 상관관계 정렬 모듈을 적대적 학습과 결합함으로써, 레이블이 없는 타겟 데이터를 더 효과적으로 활용하여 도메인 간 차이를 줄이는 능력이 향상되어, 더 도메인 독립적인 모델을 구현할 수 있다. 기준 데이터셋을 대상으로 한 실험 결과는 제안한 방법이 기존 최고 성능을 개선함을 입증한다.