초록
기계 학습 모델의 일반화 능력은 하나 이상의 ‘보인’ 도메인에서 학습을 통해 ‘보지 않은’ 도메인에 대한 지식을 일반화하는 것을 의미하며, 실제 환경에서 기계 학습 응용 프로그램을 개발하고 배포하는 데 있어 매우 중요한 요소이다. 도메인 일반화(Domain Generalization, DG) 기법은 이러한 기계 학습 모델의 일반화 능력을 향상시키는 것을 목표로 하며, 학습된 특징 표현과 분류기 모두 일반화 성능 향상과 결정을 내리는 데 있어 핵심적인 요소로 작용한다. 본 논문에서는 메타학습 기반의 도메인 간 검증을 활용한 구분형 적대적 도메인 일반화(Discriminative Adversarial Domain Generalization, DADG)를 제안한다. 제안하는 프레임워크는 두 가지 주요 구성 요소로 이루어져 있으며, 이들은 상호보완적으로 작용하여 도메인 일반화 가능한 DNN 모델을 구축한다. 첫째, 다수의 ‘보인’ 도메인에서 보편적인 특징 표현을 능동적으로 학습하는 구분형 적대적 학습 기법이며, 둘째, 메타학습 기법을 학습 과정에 도입하여 학습/테스트 도메인 간의 분포 차이(shift)를 시뮬레이션하는 메타학습 기반의 도메인 간 검증 기법이다. 실험 평가에서는 제안한 방법과 기존의 여러 방법을 세 가지 벤치마크 데이터셋에서 종합적으로 비교하였다. 그 결과, DADG는 강력한 기준 모델인 DeepAll을 일관되게 상회하며, 대부분의 평가 사례에서 기존의 다른 DG 알고리즘보다 뛰어난 성능을 보였다.