Conceitos Básicos
본 연구는 타겟 프라이빗 클래스의 세분화를 활용하여 소스 데이터 없이 타겟 도메인에 적응하는 새로운 접근법을 제안한다. 이를 통해 모델이 새로운 클래스의 내재적 의미를 학습할 수 있게 한다.
Resumo
이 논문은 소스 데이터에 동시에 접근할 필요가 없는 소스 프리 도메인 적응 문제를 다룬다. 또한 소스 도메인과 타겟 도메인이 동일한 레이블 공간을 공유하지 않는 개방형 설정을 고려한다.
제안하는 방법은 다음과 같다:
- 초기 클러스터링 기반 의사 레이블 할당을 통해 타겟 프라이빗 클래스 샘플을 다중 미지 클래스로 분리한다. 이를 통해 새로운 클래스의 내재적 의미를 학습할 수 있다.
- 이웃 샘플의 합의를 기반으로 의사 레이블을 점진적으로 개선하고, 불확실성 기반 샘플 선택을 통해 노이즈가 있는 의사 레이블의 영향을 줄인다.
- 부정적 학습 원리를 통합한 새로운 대조 손실 함수(NL-InfoNCELoss)를 제안하여, 노이즈가 있는 의사 레이블에 대한 모델의 강건성을 높인다.
실험 결과, 제안 방법은 벤치마크 데이터셋에서 기존 최신 기법을 능가하는 성능을 보였다. 추가 분석을 통해 모델이 새로운 클래스의 내재적 의미를 학습할 수 있음을 확인했다.
Estatísticas
타겟 도메인에 존재하는 새로운 클래스(프라이빗 클래스)로 인해 기존 모델의 성능이 저하된다.
제안 방법은 타겟 프라이빗 클래스 샘플을 다중 미지 클래스로 분리하여, 새로운 클래스의 내재적 의미를 학습할 수 있다.
제안 방법은 벤치마크 데이터셋에서 기존 최신 기법 대비 평균 2.1% 및 0.1% 향상된 성능을 보였다.
Citações
"본 연구는 타겟 프라이빗 클래스의 세분화를 활용하여 소스 데이터 없이 타겟 도메인에 적응하는 새로운 접근법을 제안한다."
"제안 방법은 벤치마크 데이터셋에서 기존 최신 기법 대비 평균 2.1% 및 0.1% 향상된 성능을 보였다."