초록
라벨이 풍부한 소스 도메인에서 레이블이 없는 타겟 도메인으로 지식을 전이하는 것은 수작업 레이블링 비용이 매우 높기 때문에 중요하다. 기존의 도메인 적응 방법들은 소스 도메인과 타겟 도메인 간의 전반적인 분포 통계를 정렬함으로써 이 문제를 해결해 왔지만, 이러한 기존 방법의 단점은 샘플 내 포함된 의미 정보(semantic information)를 무시한다는 점이다. 예를 들어, 타겟 도메인의 백팩 특징이 소스 도메인의 차량 특징 근처로 매핑될 수 있다. 본 논문에서는 레이블이 부여된 소스 중심점과 의사 레이블이 부여된 타겟 중심점을 정렬함으로써 레이블이 없는 타겟 샘플에 대한 의미적 표현을 학습하는 '움직이는 의미 전이 네트워크(Moving Semantic Transfer Network)'를 제안한다. 동일한 클래스이지만 서로 다른 도메인에 속한 특징들이 가까이 매핑되기를 기대함으로써 타겟 분류 정확도가 향상된다. 또한, 각 미니배치 내에서 카테고리 정보가 부족할 수 있는 문제를 보완하기 위해 움직이는 평균 중심점 정렬(moving average centroid alignment)을 신중하게 설계하였다. 실험 결과, 제안한 모델이 표준 데이터셋에서 최신 기술(SOTA, State-of-the-Art) 수준의 성능을 달성함을 입증하였다.