태스크 특화 분류기를 디스커리미네이터로 재사용하기: 디스커리미네이터 없는 적대적 도메인 적응

적대적 학습은 비지도 도메인 적응(UDA) 분야에서 뛰어난 성능을 달성해왔다. 기존의 적대적 UDA 방법들은 일반적으로 특징 추출기와 최소-최대 게임을 벌이기 위해 추가적인 판별기(discriminator)를 도입한다. 그러나 이러한 대부분의 방법들은 예측된 구분 정보를 효과적으로 활용하지 못해 생성기(generator)의 모드 붕괴(mode collapse) 문제가 발생한다. 본 연구에서는 이 문제를 새로운 관점에서 접근하여, 판별기를 필요로 하지 않는 적대적 학습 네트워크(DALN)라는 간단하면서도 효과적인 적대적 패러다임을 제안한다. DALN에서는 분류기(classifier)를 재사용하여 판별기로 활용함으로써, 통합된 목적함수를 통해 명확한 도메인 정렬과 클래스 구분을 동시에 달성한다. 이를 통해 DALN은 예측된 구분 정보를 충분히 활용하여 특징 정렬을 효과적으로 수행할 수 있다. 본 연구에서는 구분 작업에 명확한 지시적 의미를 지닌 핵노름 워슈터스타인 차이(NWD: Nuclear-norm Wasserstein discrepancy)를 도입한다. 이러한 NWD는 분류기와 결합되어, 추가적인 가중치 클리핑 또는 기울기 페널티 전략 없이 K-립시츠 제약(K-Lipschitz constraint)을 만족하는 판별기로 작동할 수 있다. 복잡한 부가 기능 없이도, DALN은 다양한 공개 데이터셋에서 기존 최고 수준(SOTA)의 방법들과 경쟁력 있는 성능을 보여준다. 또한, 플러그 앤 플레이(Plug-and-play) 기술로서 NWD는 기존 UDA 알고리즘에 유용한 일반적인 정규화 요소로 간편하게 적용될 수 있다. 코드는 다음 링크에서 확인할 수 있다: https://github.com/xiaoachen98/DALN.