[Open DMQA Seminar] Unsupervised Domain Adaptation in Regression

회귀(regression)는 연속적인 값을 예측하는 데 사용되며, 사람 포즈 추정, 물체 위치 파악 등 다양한 어플리케이션에서 널리 활용되고 있다. 그러나 딥러닝 모델을 효과적으로 학습하기 위해서는 대규모의 레이블 데이터가 필요하며, 이는 시간과 비용이 많이 소요된다. 이에 따라 기존의 레이블 된 데이터를 사용하여 새로운 도메인의 데이터를 잘 예측하고자 하는 unsupervised domain adaptation 연구가 주목 받고 있다. Unsupervised domain adaptation연구는 주로 분류(classification)에 초점을 맞추어왔으며, 분류 방법론을 회귀에 직접 적용하는 것은 때때로 어려움이 발생한다. 따라서 본 세미나에서는 unsupervised domain adaptation regression 연구의 필요성과 관련된 방법론들을 자세히 소개하고자 한다.
참고문헌:
[1] Goel, P., & Ganatra, A. (2023). Unsupervised domain adaptation for image classification and object detection using guided transfer learning approach and JS divergence. Sensors, 23(9), 4436.
[2] Dhaini, M., Berar, M., Honeine, P., & Van Exem, A. (2023). Unsupervised domain adaptation for regression using dictionary learning. Knowledge-Based Systems, 267, 110439.
[3] Chen, X., Wang, S., Wang, J., & Long, M. (2021, July). Representation Subspace Distance for Domain Adaptation Regression. In ICML (pp. 1749-1759).
[4] Nejjar, I., Wang, Q., & Fink, O. (2023). DARE-GRAM: Unsupervised domain adaptation regression by aligning inverse gram matrices. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 11744-11754).