대역적 및 통계적 도메인 전이 간의 격차를 스펙트럼 적응 네트워크를 통해 해소하기

통계적 적응과 적대적 적응은 무 supervision 딥 도메인 적응 분야에서 현재 널리 사용되는 신경망 아키텍처의 두 가지 주요 범주이다. 특히 적대적 적응은 그 이론적 기반과 실증적 성능 측면에서 뛰어나다는 평가를 받아 최근 새로운 표준으로 자리 잡았다. 그러나 두 가지 주요한 한계가 존재한다. 첫째, 최근 연구들은 이러한 접근 방식이 쉽게 전이 가능한 특징에 과도하게 집중하여 중요한 구분 정보를 간과하고 있음을 지적하고 있다. 둘째, 적대적 네트워크는 학습이 매우 어렵다는 문제가 있다. 본 연구에서는 첫 번째 문제를 해결하기 위해, 적대적 모델 내에서 전이 가능한 스펙트럼 특성의 정렬을 통해 쉽게 전이 가능한 특징과 필수적인 구분 특징 간의 균형을 맞추고, 관련성 고려를 통해 도메인 특유의 의미 정보 학습을 제한하였다. 두 번째로, 리플리츠 연속성 기울기를 활용한 스펙트럼 정규화(Spectral Normalization)를 도입하여 판별자 네트워크의 학습 과정을 안정화시켰다. 제안한 개선된 방법에 대해 이론적 및 실증적 평가를 수행하였으며, 다양한 최첨단 기법들과 비교하여 표준 벤치마크 데이터셋에서 우수한 성능을 보임을 입증하였다.