教師なしドメイン適応における表現学習の転移可能性と識別可能性について

科学分野:

• 機械学習
• コンピュータビジョン
• 人工知能

背景:

• 標準的な教師なしドメイン適応（UDA）手法は、多くの場合、分布アライメントとソースドメインリスク最小化に依存しています。
• これらのアプローチは、ターゲットドメインの特徴識別可能性という重要な側面を無視する可能性があり、最適ではないパフォーマンスにつながります。
• この見落としにより、現在のUDAフレームワークと実践的なパフォーマンスとの間に理論的なギャップが存在します。

研究 の 目的:

• 既存の敵対的ベースのUDAフレームワークの限界を理論的に分析し、対処すること。
• 特徴の転移可能性と識別可能性の両方を確保することにより、「優れた表現学習」を定義および強制すること。
• ターゲットドメインの識別可能性を明示的に最適化する新しいUDAフレームワークを提案すること。

主な方法:

• 標準的なUDAにおけるターゲットドメイン識別可能性の無視を特定するための情報理論的分析。
• ドメインアライメントと識別可能性を高める制約を統合した新しい敵対的UDAフレームワークの開発。
• 非対称緩和Wasserstein of Wasserstein距離（AR-WWD）とローカル整合性メカニズムを利用した、ドメイン不変表現学習とグローバルおよびローカル整合性（RLGLC）としてのインスタンテーション。

主要な成果:

• 提案されたRLGLCフレームワークは、複数のベンチマークデータセット全体で最先端の方法を継続的に上回っています。
• 実験的検証により、ドメインアライメントと並行してターゲットドメインの識別可能性を明示的に強制することの必要性が確認されました。
• この手法は、AR-WWDを通じてクラス不均衡と意味次元の重み付けを効果的に処理します。

結論:

• UDAにおける優れた表現学習には、転移可能性と識別可能性の両方が必要です。
• 提案されたRLGLC手法は、主要な理論的および実践的な限界に対処することにより、敵対的ベースのUDAにおいて重要な進歩を提供します。
• 将来の研究では、このフレームワークを基盤として、ドメイン適応パフォーマンスをさらに向上させることができます。