T-SVDNet: 다중 소스 도메인 적응을 위한 고차원 원형 상관관계 탐색

기존의 도메인 적응 방법 대부분은 단일 소스 도메인에서의 적응에 초점을 맞추고 있으나, 실질적인 환경에서는 타겟 도메인에서의 성능 향상에 기여할 수 있는 여러 관련된 소스가 존재한다. 본 연구에서는 다중 소스 도메인 적응(Multi-source Domain Adaptation, MDA) 문제를 해결하기 위해, 신경망 학습 파이프라인에 텐서 특이값 분해(Tensor Singular Value Decomposition, T-SVD)를 통합한 새로운 접근법인 T-SVDNet을 제안한다. 전체적으로 다중 도메인과 카테고리 간의 고차원 상관관계를 충분히 탐색함으로써 도메인 간 격차를 더욱 효과적으로 완화한다. 구체적으로, 일련의 원형 유사도 행렬을 스택하여 얻은 텐서에 텐서-낮은 랭크(Tensor-Low-Rank, TLR) 제약을 도입하여, 서로 다른 도메인 간 일관된 데이터 구조를 포착하고자 한다. 또한, 노이즈가 포함된 소스 데이터로 인한 부정적 전이를 방지하기 위해, 불확실성 추정 결과를 기반으로 각 소스 도메인 및 샘플에 대해 적응적으로 가중치를 할당하는 새로운 불확실성 인식 가중 전략을 제안한다. 공개 벤치마크를 대상으로 수행된 광범위한 실험을 통해, 기존 최고 수준의 방법들과 비교하여 본 모델이 MDA 문제 해결에 있어 뛰어난 성능을 보임을 입증하였다.