모델만 전달받는 조건
일반적인 비지도 도메인 적응은 원천의 정답 자료와 목표의 무정답 자료를 함께 이용한다. SHOT은 이미 학습한 원천 모델만 제공되는 더 제한된 조건을 다룬다.
분류기를 유지하는 이유
원천에서 배운 분류기를 고정해 판단 기준으로 남긴다. 목표 자료에 맞춰 바뀌는 부분은 특징 추출 모듈이며 그 표현을 기존 분류기에 맞도록 학습한다.
정보 최대화와 의사 레이블
목표 예측의 정보를 활용하는 목적과 자기지도 의사 레이블링을 결합한다. 목표 정답을 직접 받는 대신 모델의 예측 구조를 이용해 특징과 원천 가설을 정렬한다.
레이블 구성별 평가
연구는 원천과 목표의 클래스가 같은 폐쇄형 조건뿐 아니라 부분 집합과 개방형 적응도 평가했다. 목표 클래스 구성이 달라지면 적응 문제의 조건도 함께 달라진다.
관련 문서
CDAN / 도메인 적대 신경망 / Deep CORAL / ADDA / MCD 도메인 적응 / Tent 시험 시점 적응