少数ショット敵対的ドメイン適応

本研究は、深層モデルによる監視下のドメイン適応の問題に対処するためのフレームワークを提供します。主なアイデアは、敵対的学習を利用して、2つのドメインの間の混乱を最大化しながら、それらの埋め込みを意味的に整列させる埋め込みサブスペースを学習することです。特にラベル付けが必要なターゲットデータサンプルがほんの少ししかない場合、監視下の設定は魅力的になります。この少数ショット学習シナリオでは、データが不足しているため、意味的確率分布の整列と分離が困難です。典型的なバイナリ敵対的識別器を設計し、4つの異なるクラスを区別できるようにすることによって、監視下の適応問題に効果的に対処できることがわかりました。さらに、このアプローチは適応速度が高く、極めて少数のラベル付けされたターゲットトレーニングサンプル、カテゴリごとに1つでさえ効果的です。このアプローチを、手書き数字認識のためのデータセットを利用した実験と視覚オブジェクト認識のためのデータセットを利用した実験において、最先端のドメイン適応と広範に比較しました。