공동 특징 공간의 정렬
원천과 목표의 자료 분포가 다르면 인식 모델의 적용이 어려워질 수 있다. 이 방법은 무정답 자료를 이용해 학습된 공동 특징 공간에서 두 분포의 차이를 줄인다.
생성과 표현의 상호작용
임베딩 학습과 생성적 적대 신경망이 서로 돕는 관계를 구성한다. 생성 모델을 특징 학습과 연결해 영역에 공통으로 유용한 표현을 얻는 접근이다.
생성 자료의 단순 재학습과 차이
사실적인 자료를 먼저 생성한 뒤 별도 모델을 재학습하는 흐름과 구분된다. 중심은 생성 모델과 임베딩을 연결한 영역 정렬 과정에 있다.
서로 다른 인식 과제
연구는 MNIST와 SVHN 및 USPS의 숫자 분류와 OFFICE 객체 인식을 평가했다. 합성 자료에서 실제 자료로 옮기는 적응도 포함해 서로 다른 조건의 적용성을 살폈다.
관련 문서
도메인 분리 네트워크 / ADDA / DRCN 도메인 적응 / 도메인 적대 신경망 / CDAN / Deep CORAL