다중 대상 영역 적응을 위한 교육과정 그래프 공동 교육

본 논문에서는 다중 대상 도메인 적응(Multi-Target Domain Adaptation, MTDA)을 다룹니다. 이는 하나의 라벨이 부여된 소스 데이터셋과 여러 개의 라벨이 없는 대상 데이터셋(데이터 분포가 서로 다름)이 주어졌을 때, 모든 대상 도메인에 대해 강건한 예측기를 학습하는 과제입니다. 우리는 MTDA에서 여러 도메인 간의 차이를 완화할 수 있는 두 가지 핵심 요소를 식별하였습니다: 특성 집계(feature aggregation)와 커리큘럼 학습(curriculum learning). 이를 위해, 우리는 듀얼 분류기 헤드를 사용하는 Curriculum Graph Co-Teaching (CGCT) 방법을 제안합니다. 이 중 하나는 도메인 간 유사 샘플들의 특성을 집계하는 그래프 컨볼루셔널 네트워크(Graph Convolutional Network, GCN)입니다. 분류기가 자신의 노이즈가 포함된 가짜 라벨(pseudo-labels)에 과적합(over-fitting)되지 않도록 하기 위해, 커리큘럼 학습으로 보조되는 듀얼 분류기 헤드를 사용한 공동 교육(co-teaching) 전략을 개발하였습니다. 이를 통해 더 신뢰할 수 있는 가짜 라벨을 얻을 수 있습니다. 또한 도메인 라벨이 제공될 경우, 우리는 먼저 쉬운 대상 도메인에서 적응하고 그 다음에 어려운 대상 도메인으로 진행하는 순차적 적응 전략인 Domain-aware Curriculum Learning (DCL)을 제안합니다. 우리는 여러 벤치마크에서 제안된 프레임워크의 효과성을 실험적으로 입증하였으며, MTDA에서 기존 최신 연구 결과(state-of-the-art)보다 크게 성능을 향상시켰습니다(예: DomainNet에서 +5.6%).