도메인 공감 클러스터링을 통한 유니버설 도메인 적응

이 논문에서는 레이블 공간이 일치하지 않는 조건 하에서 소스 도메인에서 타겟 도메인으로 지식을 전이하는 것을 목표로 하는 보편적 도메인 적응(Universal Domain Adaptation, UniDA) 문제를 탐구한다. UniDA의 주요 과제는 공통 클래스(즉, 두 도메인 간에 공유되는 클래스)와 사적 클래스(즉, 한 도메인에서만 존재하는 클래스)를 효과적으로 분리하는 것이다. 기존 연구들은 타겟 도메인의 사적 샘플들을 하나의 일반적인 클래스로 간주하지만, 이들 샘플 내부의 구조적 특성을 무시한다. 그 결과, 잠재 공간에서의 표현이 충분히 응집되지 않으며, 공통 샘플과 혼동되기 쉬운 문제가 발생한다. 타겟 도메인의 내재적 구조를 보다 효과적으로 활용하기 위해, 우리는 공통 샘플과 사적 샘플 모두에 대해 구분 가능한 클러스터를 탐지할 수 있도록 도메인 공감 클러스터링(Domain Consensus Clustering, DCC)을 제안한다. 구체적으로, 클러스터링 및 사적 클래스 탐지에 기여하기 위해 두 가지 측면에서 도메인 공감 지식을 도출한다. 첫째, 의미 수준의 공감은 사이클 일관성(clustering consistency)을 가지는 클러스터를 공통 클래스로 식별하며, 둘째, 샘플 수준의 공감은 교차 도메인 분류 일치도를 활용하여 클러스터 수를 결정하고 사적 클래스를 탐지한다. DCC를 기반으로, 사적 클래스를 공통 클래스로부터 분리하고, 사적 클래스들 간의 구분도 가능하게 된다. 마지막으로, 식별된 공통 샘플에 대해 클래스 인지 보정 기법을 적용하여 분포 편차를 최소화하고, 프로토타입 정규화를 도입하여 타겟 도메인의 구분 가능한 클러스터 형성을 유도한다. 네 가지 벤치마크에서 수행한 실험 결과, DCC가 기존 최고 성능 기법들을 상회함을 입증하였다.