부분공간 정렬을 통한 비지도 도메인 적응 분류 모형 비교 분석

A Comparative Study on Unsupervised Domain Adaptation Using Subspace Alignment

본 논문에서는 비지도 도메인 적응(unsupervised domain adaptation, UDA) 방법 중에서 차원축소 및 부분공간 정렬(subspace alignment)에 기반한 방법론들을 비교 연구하였다. 비지도 도메인 적응은 타겟 도메인(target domain)에 레이블 정보가 주어지지 않은 경우에 서로 다르지만 연관되어 있는 레이블 정보가 충분한 소스 도메인(source domain)의 데이터를 활용하여 타겟 도메인에서도 성능이 우수한 분류 모형을 구축하고자 하는 것이 목표이다. 두 도메인의 입력공간이 동질적인(homogeneous) 상황을 가정하더라도 데이터 생성의 기저 분포가 다른 것이 일반적이므로 소스 도메인에서 구축한 분류 모형이 타겟 도메인에서는 분류 성능이 매우 떨어질 수 있다. 따라서 도메인에 상관없이 분류 성능이 우수한 특징(feature) 변수를 유도하여 모형 구축에 활용하여야 한다. 대표적인 방법으로 주성분 분석을 이용한 차원축소와 부분공간의 기저 벡터 정렬(alignment)에 기반한 부분공간 정렬 도메인 적응(subspace alignment DA) 방법과, 부분공간의 기저벡터 정렬 및 분포 정렬에 기반한 부분공간 분포 정렬 도메인 적응(subspace distribution alignment DA) 방법을 이미지 인식 데이터 분석을 통해 비교 분석하였다. 또한, 부분공간 유도시 지도 주성분 분석(supervised PCA)을 활용하면서 부분공간 정렬을 통한 도메인 적응을 구현하는 방법을 제안하고 앞의 두 방법과 비교하였다. 이미지 분류에 있어서 부분공간 정렬 도메인 적응 방법보다 부분공간 분포 정렬 도메인 적응 방법이 대체로 더 우월한 결과를 보였고, 제안된 지도 주성분 분석 및 부분공간 정렬 기반 도메인 적응 방법은 일부 상황에서 가장 우수한 성능을 보임을 확인하였다.

Unsupervised domain adaptation (DA) aims to build a classification model that performs well in the target domain by utilizing some data or information from a source domain that is different but associated with the target domain and has sufficient labeled instances. In this paper, a comparative study on unsupervised domain adaptation methods using subspace alignment was conducted. Two main algorithms are considered. One is the subspace alignment DA and the other is the subspace distribution alignment DA. They are based on dimension reduction using PCA (principal component analysis) and basis vector alignment of the subspace or distribution alignment of the subspace. In addition, a method for realizing domain adaptation through subspace alignment while utilizing supervised PCA for subspace derivation was proposed and compared with the previous two methods. In an image classification data analysis, it was confirmed that the subspace distribution alignment domain adaptation method showed superior results than the subspace alignment domain adaptation, and the proposed domain adaptation method utilizing a supervised PCA and subspace alignment showed the best performance in some situations.