[Open DMQA Seminar] Unsupervised Domain Adaptation

다량의 레이블드 학습 데이터셋은 딥러닝이 다양한 비전 태스크에서 우수한 성능의 확보를 가능케 한다. 그러나 실제상황에서는 다량의 레이블 데이터셋을 확보하는 데 엄청난 비용과 시간이 소요된다. 그동안 제한된 레이블드 데이터에 대처하기 위해 많은 사람들이 레이블이 확보된 대규모 소스 도메인(source domain)에서 학습된 모델을 레이블이 할당되지 않은 다른 도메인(target domain)에 직접 적용하는 시도들이 수행되었다. 하지만 도메인 간 직접적인 전이(transfer)는 종종 도메인간 분포 차이(domain shift=covariate shift)로 인해 제대로 수행되지 않는 경우가 있었다. 비지도 도메인 적응(unsupervised domain adaptation)은 다른(그러나 관련이 있는) 대상 도메인(target domain)에서 우수한 성능을 보이는 모델을 소스 도메인(source domain)과 레이블이 없는 대상 도메인(target domain)을 같이 학습에 사용하여 만드는 것을 목표로 하는 기계학습 패러다임이다. 본 세미나에서는 비지도 도메인 적응에 대한 설명과 몇 가지 알고리즘을 소개하려한다.
참고문헌:
Zhao, S., Yue, X., Zhang, S., Li, B., Zhao, H., Wu, B., ... & Keutzer, K. (2020). A review of single-source deep unsupervised visual domain adaptation. IEEE Transactions on Neural Networks and Learning Systems.

[@dongheejung533]

10:00 연구실 오픈 세미나 늘 감사드립니다

[@deepython]

좋은 자료 공유 감사합니다 ^^

[@heejuneAhn]

Discrepancy based 방식에서 Classifier 쪽 Weight 값을 최적화 하는 건가요? 일단 Feature extractor 네트워크는 고정된 상황에서 하는 것 같은데. 그러면 양쪽 Ws 와 Wt 는 다른 건가요? 아니면 같은 건가요? 다른거라면 학습을 한 후 적용시에는 Wt를 사용하는 것인가요?

[@kevli6373]

17:25 감사합니다

[@hermeskim11]

잘 들었습니다. 감사합니다.

[@김성범교수산업경영공]

도움이 되셨다니 다행입니다. 감사합니다!