도메인 내 및 도메인 외 일반화를 위한 특이성과 불변성의 균형 잡기 학습

도메인 특화 마스크를 통한 일반화(Domain-specific Masks for Generalization)를 제안한다. 본 모델은 도메인 내(in-domain) 및 도메인 간(out-of-domain) 일반화 성능을 동시에 향상시키는 것을 목표로 한다. 도메인 일반화에서는, 여러 소스 도메인에서 학습하여, 예측되지 않은 타겟 도메인에 가장 잘 일반화하는 단일 모델을 생성하는 것이 목표이다. 이와 관련하여 기존의 많은 방법들은 모든 소스 도메인에 공통으로 존재하는 특징을 학습하는 데 초점을 맞추며, 이러한 도메인 무관 특징(domain-agnostic features)이 우수한 일반화 성능을 제공할 것이라는 가정을 내포하고 있다. 그러나 각 도메인은 독특한 특성을 지니고 있으며, 이러한 특성을 적절히 활용하면 도메인 내 인식 성능을 크게 향상시킬 수 있다. 본 연구에서는, 이미 학습된 도메인 내 및 도메인 간 도메인을 모두 잘 일반화할 수 있는 모델을 설계하기 위해 도메인 특화 마스크(domain-specific masks)를 학습하는 방안을 제안한다. 이 마스크는 도메인 불변 특징과 도메인 특화 특징 사이의 균형을 학습하도록 유도함으로써, 전문화된 특징의 예측 능력을 활용하면서도 도메인 불변 특징의 보편적 적용성을 유지할 수 있는 모델을 가능하게 한다. 제안된 방법은 PACS 및 DomainNet 데이터셋에서 기초적 기준 모델(baselines)과 최신 기술(state-of-the-art methods)과 비교하여 경쟁력 있는 성능을 보였다.