다이나믹 도메인 일반화

도메인 일반화(Domain Generalization, DG)는 머신러닝 분야에서 핵심적이지만 매우 도전적인 연구 주제이다. 기존의 방법들은 정적 모델 내에서 제한된 소스 도메인에서 도메인 불변 특징을 학습하는 데 주력해 왔다. 그러나 일반화된 타겟 도메인(아노니머스 타겟 도메인)에 적용될 때 모델을 훈련 없이 조정할 수 있는 메커니즘이 부족한 것이 현실이다. 이 문제를 해결하기 위해, 우리는 새로운 DG의 변종인 동적 도메인 일반화(Dynamic Domain Generalization, DDG)를 제안한다. DDG는 모델이 서로 다른 도메인의 데이터에 적응하기 위해 네트워크 파라미터를 조정하는 방식을 학습한다. 구체적으로, 정적 모델의 파라미터를 다양한 도메인의 데이터에 따라 메타 조정기(meta-adjuster)를 통해 조정하는 방식을 활용한다. 이를 통해 정적 모델은 도메인 간 공유되는 특징을 학습하도록 최적화되며, 메타 조정기는 도메인별 특징을 학습하도록 설계된다. 이러한 과정을 가능하게 하기 위해, 메타 조정기를 가르치면서 다양한 도메인의 데이터를 시뮬레이션하기 위해 DomainMix 기법을 도입한다. 이 학습 메커니즘은 모델이 훈련 없이도 다양한 아노니머스 타겟 도메인으로 일반화될 수 있도록 유도한다. 광범위한 실험을 통해 제안한 방법의 효과성을 입증하였다. 코드는 다음 링크에서 확인할 수 있다: https://github.com/MetaVisionLab/DDG