도메인 적응을 위한 예측 재가중치

훈련 데이터와 테스트 데이터가 동일한 분포에서 추출될 때 잘 작동하는 분류 방법이 많이 있습니다. 그러나 실제 애플리케이션에서는 이 조건이 위반될 수 있으며, 이는 분류 정확도의 감소를 초래합니다. 도메인 적응은 이러한 문제를 해결하기 위한 효과적인 접근 방식입니다. 이 논문에서는 예측 재가중치 관점에서 일반적인 도메인 적응 프레임워크를 제안하며, 이로부터 새로운 접근 방식이 도출됩니다. 주요 도메인 적응 방법과는 다르게, 우리의 아이디어는 도메인 구분자에 대한 서명 거리에 따라 테스트 데이터에 대한 훈련 분류기의 예측을 재가중치는 것입니다. 도메인 구분자는 훈련 데이터(소스 도메인)와 테스트 데이터(목표 도메인)를 구분하는 분류기입니다. 그러고 나서, 매니폴드 정규화 방법을 도입하여 더 큰 가중치를 가진 타겟 인스턴스의 레이블을 더 작은 가중치를 가진 것에 전파합니다. 우리의 재가중치 방식이 적절한 의미에서 소스 도메인과 타겟 도메인을 더욱 가깝게 만든다는 것이 입증될 수 있으며, 그로 인해 타겟 도메인의 분류가 더 쉬워집니다. 제안된 방법은 간단한 2단계 알고리즘을 통해 효율적으로 구현될 수 있으며, 타겟 분류기는 폐쇄형 해를 가집니다. 우리의 접근 방식의 효과는 인공 데이터 세트와 두 개의 표준 벤치마크인 시각적 객체 인식 과제 및 텍스트의 교차 도메인 감정 분석에 대한 실험을 통해 검증되었습니다. 실험 결과는 우리의 방법이 최첨단 도메인 적응 알고리즘과 경쟁력이 있음을 보여줍니다.