부분 도메인 적응을 위한 균형 잡히고 불확실성 인지형 접근법

이 연구는 타겟 도메인의 클래스 레이블이 소스 도메인의 클래스 레이블 집합의 부분 집합인 경우에 해당하는 비감독적 도메인 적응 문제를 다룬다. 이러한 부분적 전이 설정은 현실적일 뿐만 아니라 도전 과제이기도 하며, 기존 방법들은 항상 두 가지 핵심 문제인 부정적 전이(negative transfer)와 불확실성 전파(uncertainty propagation)에 시달린다. 본 논문에서는 도메인 적대적 학습 기반으로, 균형 적대적 정렬(Balanced Adversarial Alignment, BAA)과 적응형 불확실성 억제(Adaptive Uncertainty Suppression, AUS)라는 두 가지 새로운 기법을 도입한 새로운 도메인 적응 방법 BA$^3$US를 제안한다. 한편, 부정적 전이는 타겟 샘플이 소스 도메인에만 존재하는 클래스로 잘못 분류되는 결과를 초래한다. 이를 해결하기 위해 BAA는 도메인 간 레이블 분포의 균형을 간단하면서도 효과적으로 추구한다. 구체적으로, 도메인 정렬 과정에서 소스 샘플 중 일부를 무작위로 선택하여 타겟 도메인의 크기를 증강함으로써 서로 다른 도메인 내 클래스 분포가 대칭이 되도록 한다. 다른 한편, 예측 점수가 상대적으로 높은 잘못된 클래스가 존재할 경우 소스 샘플은 불확실한 것으로 간주되며, 이러한 불확실성은 정렬 과정에서 주변의 레이블이 없는 타겟 데이터로 쉽게 전파되어 적응 성능을 심각하게 저하시킨다. 이를 해결하기 위해 AUS는 불확실한 샘플에 주목하고, 적응형 가중 보완 엔트로피 목적 함수를 활용하여 잘못된 클래스의 예측 점수가 균일하고 낮아지도록 유도한다. 다양한 벤치마크에서 수행된 실험 결과는 BA$^3$US가 부분적 도메인 적응 작업에서 기존 최고 성능(SOTA)을 초월함을 보여준다. 코드는 \url{https://github.com/tim-learn/BA3US}에서 제공된다.