Core Concepts
공통 클래스 편향을 완화하는 새로운 의사 레이블 정제 전략을 제안하여 보편 반-지도 도메인 적응 문제를 해결한다.
Abstract
이 논문은 보편 반-지도 도메인 적응(UniSSDA)이라는 새로운 문제를 소개한다. UniSSDA는 기존의 반-지도 도메인 적응(SSDA)과 보편 도메인 적응(UniDA) 문제의 교차점에 있다. UniSSDA에서는 타겟 도메인에 일부 레이블된 데이터가 존재하고, 소스와 타겟 도메인의 레이블 공간이 일치하지 않을 수 있다.
기존의 SSDA와 UniDA 방법들은 UniSSDA 환경에서 공통 클래스 편향에 취약한 것으로 나타났다. 이 편향은 모델이 소스 도메인에 존재하는 공통 클래스에 과적합되어 타겟 도메인의 고유 클래스 학습을 소홀히 하는 현상이다.
이를 해결하기 위해 저자들은 의사 레이블 정제 전략을 제안한다. 이 전략은 지도 학습 분류기의 출력을 활용하여 비지도 학습 분류기의 예측을 보정함으로써 공통 클래스 편향을 완화한다. 제안 방법은 간단하게 구현할 수 있으며, 기존 적응 알고리즘에 쉽게 통합할 수 있다.
실험 결과, 제안 방법은 Office-Home, DomainNet, VisDA 벤치마크 데이터셋에서 UniSSDA 적응 성능을 크게 향상시켰다. 특히 가장 어려운 open-partial 설정에서 기존 방법 대비 큰 성능 향상을 보였다.
Stats
공통 클래스 샘플의 40%가 타겟 고유 클래스로 잘못 분류되는 것으로 나타났다.
지도 학습 분류기는 비지도 학습 분류기에 비해 타겟 고유 클래스 정확도가 더 높았다.
Quotes
"기존 SSDA와 UniDA 방법들은 UniSSDA 환경에서 공통 클래스 편향에 취약한 것으로 나타났다."
"제안 방법은 간단하게 구현할 수 있으며, 기존 적응 알고리즘에 쉽게 통합할 수 있다."