COD: 도메인 적응을 위한 조건 불변 표현 학습 회귀

소스 도메인에서 연속 출력을 갖는 레이블 지식을 비지도 대상 도메인으로 일반화하는 것을 목표로 하는 도메인 적응 회귀(DAR)는 복잡한 실제 학습 문제를 해결하기 위해 개발되었습니다. 그러나 회귀에서의 연속성 문제로 인해, 분류 설정에서 효과가 입증된 기존의 조건부 분포 정렬 이론 및 이산 사전 방법은 더 이상 적용될 수 없습니다. 본 연구에서는 DAR의 실행 가능성 문제에 중점을 두고, 회귀 모델에 대한 충분성 이론을 수립하여 일반화 오류가 교차 도메인 조건 차이에 의해 충분히 지배될 수 있음을 보여줍니다. 또한, 연속 조건 변수로 조건 차이를 특성화하기 위해, 커널 임베딩 이론을 통해 조건부 분포에 대한 메트릭 성질을 허용하는 새로운 조건부 연산자 차이(COD)를 제안합니다. 마지막으로, 차이를 최소화하기 위해 COD 기반 조건 불변 표현 학습 모델을 제안하며, 순간 통계에 대한 합리적인 수정이 적응 모델의 구별 가능성을 더욱 향상시킬 수 있음을 보여주기 위한 재형성이 도출됩니다. 표준 DAR 데이터셋에 대한 광범위한 실험을 통해 이론적 결과의 유효성과 SOTA DAR 방법에 대한 우수성이 검증되었습니다.