비지도 도메인 적응을 위한 특성 정렬 최대 분류기 오차 방법

최근 몇 년 동안 최대 분류기 불일치(maximum classifier discrepancy) 방법은 이미지 분류를 위한 비지도 도메인 적응(unsupervised domain adaptation) 과제에서 큰 성공을 거두었다. 이 방법의 기본 구조는 특징 생성기와 두 개의 분류기로 구성되며, 타겟 샘플에 대한 분류기 불일치를 최대화하면서 생성기 불일치를 최소화하는 것을 목표로 한다. 이 방법은 타겟 샘플의 클래스 경계 근처에서 발생하는 분류의 모호성을 제거하기 위해 작업에 특화된 분류기를 도입함으로써 기존의 적대적 훈련 방법의 성능을 향상시킨다. 본 논문에서는 최대 분류기 불일치 방법의 성능을 further 향상시키기 위해 수정된 네트워크 아키텍처와 두 가지 훈련 목적함수를 제안한다. 첫 번째 훈련 목적함수는 특징 수준의 불일치를 최소화하고, 생성기가 도메인 불변 특징을 생성하도록 유도한다. 이 목적함수는 원천 도메인과 타겟 도메인의 분포가 크게 다를 경우 특히 유용하다. 두 번째 훈련 목적함수는 미니배치 수준에서 작동하며, 타겟 클래스 예측의 기대값에 대한 엔트로피를 최대화함으로써 타겟 클래스 예측의 분포를 균일하게 만드는 것을 목표로 한다. 광범위한 실험적 평가를 통해 제안하는 아키텍처와 훈련 목적함수가 원래 알고리즘의 성능을 크게 향상시킴을 보였다. 더불어, 본 방법은 대부분의 비지도 도메인 적응 과제에서 최신 기술들보다 우수한 성능을 나타냈다.