초록
일반화된 도메인 적응(UNDA: Universal Domain Adaptation)은 두 데이터셋 간의 도메인 이동(domain-shift)과 카테고리 이동(category-shift)을 동시에 다루는 것을 목표로 한다. 주요 과제는 레이블이 부여된 소스 데이터에 존재하지 않지만, 레이블이 없는 타겟 데이터에 존재하는 미지의 클래스를 제거하면서 지식을 전달하는 것이다. 기존의 방법들은 검증 결과나 미리 정의된 미지 샘플 비율에 기반해 수동적으로 임계값(threshold)을 설정하지만, 이 전략은 실용성이 떨어진다. 본 논문에서는 소스 샘플을 이용해 임계값을 학습하고, 이를 타겟 도메인에 적응시키는 방법을 제안한다. 우리의 아이디어는 소스 도메인 내에서 클래스 간 최소 거리(minimum inter-class distance)가 타겟 도메인에서 알려진 클래스와 미지 클래스를 구분하는 데 적절한 임계값이 될 수 있다는 점에 기초한다. 이를 위해 각 클래스에 대해 레이블이 부여된 소스 데이터를 사용해 one-vs-all 분류기를 학습한다. 이후 클래스 엔트로피를 최소화함으로써 개방형 집합(open-set) 분류기를 타겟 도메인에 적응시킨다. 제안하는 프레임워크는 UNDA의 모든 기준 대조군 중 가장 단순하며, 하이퍼파라미터의 값에 민감하지 않으면서도 기존 기준 대조군을 크게 앞서는 성능을 보인다.