MLNet: 이웃 불변성을 갖는 상호 학습 네트워크를 통한 유니버설 도메인 적응

일반화된 도메인 적응(Universal Domain Adaptation, UniDA)은 지식 전달을 위해 소스 도메인과 타겟 도메인 간의 관계에 대한 정보가 주어지지 않는 실용적이지만 도전적인 문제이다. 기존의 UniDA 방법들은 타겟 도메인 내부의 내부 변동성을 간과하거나, 알려진 클래스와 알려지지 않은 클래스 간의 구분이 어려운 문제에 직면할 수 있다. 이러한 문제를 해결하기 위해, 우리는 이웃 불변성(neighborhood invariance)을 도입한 새로운 상호 학습 네트워크(Mutual Learning Network, MLNet)를 제안한다. 본 방법에서는 자기 적응적 이웃 선택(Self-adaptive neighbor selection)을 활용한 신뢰도 유도 불변 특징 학습(confidence-guided invariant feature learning)을 설계하여, 타겟 도메인 내부의 변동성을 줄이고 더 일반화 가능한 특징 표현을 가능하게 한다. 또한, 교차 도메인 미크스업(cross-domain mixup) 기법을 통해 미지 클래스를 보다 정확히 식별하고, 닫힌 집합과 열린 집합 분류기 간의 상호 학습을 통해 알려진 클래스로 잘못 식별된 오류를 보정한다. 공개된 세 가지 기준 데이터셋에 대한 광범위한 실험 결과는 제안하는 방법이 대부분의 경우 최신 기술 대비 가장 우수한 성능을 달성하였으며, UniDA의 네 가지 설정 전반에서 기준 모델(Baseline)을 크게 능가함을 보여준다. 코드는 다음 주소에서 제공된다: https://github.com/YanzuoLu/MLNet.