C-SFDA: 효율적인 소스 프리 도메인 적응을 위한 커리큘럼 학습 지원 자가 학습 프레임워크

비지도 도메인 적응(UDA) 기법은 레이블이 붙은 소스 도메인에서 학습된 모델을 레이블이 없는 타겟 도메인에 적응시키는 데 초점을 맞춘다. UDA 방법은 적응 과정에서 소스 데이터에 접근할 수 있다고 강하게 가정하지만, 개인정보 보호 문제와 장치의 자원 제약으로 인해 많은 실제 환경에서는 이 가정이 실현 가능하지 않을 수 있다. 이러한 맥락에서 소스 데이터에 접근할 필요가 없는 소스 프리 도메인 적응(SFDA) 기법이 두각을 나타낸다. 최근 SFDA 분야의 최신 기술(SOTA) 방법들은 주로 가짜 레이블 정제를 기반으로 한 자기 학습(self-training)에 집중하고 있으나, 일반적으로 두 가지 문제를 겪는다. 첫째, 불가피하게 노이즈가 포함된 가짜 레이블이 발생하여 학습 초기 단계에서 모델이 잘못된 패턴을 기억하는 현상이 발생할 수 있다. 둘째, 정제 과정에서 메모리 백(메모리 은행)을 유지해야 하므로 자원 제약 환경에서는 상당한 부담이 된다. 이러한 문제를 해결하기 위해, 우리는 신뢰도 기반으로 선택된 일부 가짜 레이블에 집중하여 학습을 유도하는 커리큘럼 학습 기반 자기 학습 프레임워크인 C-SFDA를 제안한다. 이는 간단하면서도 효과적인 방식으로, 적응 과정의 다양한 단계에서 레이블 노이즈의 전파를 효과적으로 방지하며, 비용이 큰 메모리 백 기반의 레이블 정제 과정을 완전히 제거한다. 이미지 인식 및 세분화 작업에 대한 광범위한 실험 평가를 통해 본 연구의 효과성을 입증하였다. C-SFDA는 온라인 테스트 타임 도메인 적응에 쉽게 적용 가능하며, 이 작업에서 기존의 최신 기술(SOTA) 방법들을 모두 상회한다.