반복 레이블 분포 일치를 통한 적대적 도메인 적응을 위한 백프로파게이션 유도 특성 가중치 방법

정확한 심층 신경망을 학습하기 위한 대규모 레이블 데이터셋의 필요성은 주요한 제약 요소 중 하나이다. 무감독 도메인 적응(unsupervised domain adaptation)은 하나의 도메인(많은 수의 레이블 데이터를 보유)에서 다른 도메인(레이블 데이터가 거의 없거나 없음)으로 지식을 전이함으로써 이와 같은 제한된 학습 데이터 문제를 해결한다. 일반적인 접근 방식 중 하나는 예를 들어 적대적 방법을 사용하여 도메인 불변 특징을 학습하는 것이다. 기존의 방법들은 도메인 분류기와 레이블 분류기 네트워크를 별도로 학습하는 경우가 많으며, 이 두 분류기 간의 상호작용은 매우 제한적이다. 본 논문에서는 특징 공간에 대해 분류기 기반의 역전파 유도 가중치를 도입한다. 이 접근법은 두 가지 주요 장점이 있다. 첫째, 도메인 분류기가 분류에 중요한 특징에 집중할 수 있도록 하며, 둘째, 분류 브랜치와 적대적 브랜치 간의 결합을 더욱 강화한다. 또한, 이전 반복 결과를 활용하여 클래스 균형을 갖춘 데이터로더를 근사하는 반복적 레이블 분포 정렬 방법을 제안한다. 제안한 알고리즘의 효과성을 검증하기 위해 Office-31, OfficeHome, DomainNet 세 가지 벤치마크에서 실험 및 아블레이션 연구를 수행하였다.