영역 간 차이를 줄이기
학습 영역과 시험 영역이 다르면 같은 인식 모델의 성능이 낮아질 수 있다. 적대적 도메인 적응은 두 영역의 특징 분포 차이를 줄여 일반화를 개선하려는 접근이다.
생성과 판별 접근의 비교
원 연구는 생성형 접근의 판별 과제 한계와 가중치를 묶어 쓰는 판별형 접근의 제약을 함께 검토했다. 여러 기존 방법을 포함할 수 있는 일반화된 틀로 차이를 정리했다.
가중치를 분리한 구성
ADDA는 판별적 모델링과 영역별 비공유 가중치 및 GAN 기반 손실을 결합한다. 모든 영역이 같은 매개변수를 사용해야 한다는 제약과 다른 적응 구성을 탐색한 것이다.
숫자와 모달리티 전이
초기 논문은 영역이 다른 숫자 분류와 더 어려운 모달리티 간 객체 분류를 평가했다. 제안 구조의 유용성을 기존 도메인 적응 방식과 비교했다.
관련 문서
MCD 도메인 적응 / 도메인 적대 신경망 / Deep CORAL / DomainBed / WILDS / 기계 학습