CHATTY: 비지도 도메인 적응을 위한 연합적 종합 적대적 전송 항목과 수율

우리는 비지도 도메인 적응(unsupervised domain adaptation, UDA)을 위한 새로운 기법인 CHATTY(결합된 종합적 적대적 운반 항목 및 수율, Coupled Holistic Adversarial Transport Terms with Yield)를 제안한다. 적대적 학습은 도메인 구분기(head)로부터 역방향 기울기를 전파하여 신경망의 특징 추출 층을 학습함으로써 도메인 불변 표현을 학습하는 데 일반적으로 사용된다. 본 연구에서는 적대적 헤드, 그 학습 목표, 그리고 분류기 헤드에 대해 중요한 수정을 제안한다. 클래스 혼동을 줄이는 것을 목표로, 소스 도메인과 타겟 도메인 샘플의 분류기 출력을 학습 가능한 방식으로 이동시키는 보조 네트워크를 도입한다. 이 이동을 조절하기 위해, 클래스 클러스터가 서로 멀어지도록 하는 새로운 운반 손실(transport loss)을 제안하며, 이는 분류기가 소스 및 타겟 도메인 모두에 대해 결정 경계를 더 쉽게 찾을 수 있도록 한다. 기존에 제안된 손실들 중 신중하게 선택한 항목에 이 새로운 손실을 추가한 결과, 벤치마크 데이터셋에서 기존 최고 성능 기법보다 향상된 UDA 성능을 달성하였다. 제안된 손실 항목의 중요성을 제거 실험(ablation study)과 표현 공간 내 타겟 도메인 샘플의 이동 시각화를 통해 입증하였다.