이론적으로 도메인 적응(domain adaptation)은 잘 연구된 문제이다. 또한 이러한 이론은 실제에서 잘 활용되어 왔다. 특히 Ben-David 등(Ben-David et al., Mach Learn 79(1–2):151–175, 2010)이 제시한 목표 오류(target error)에 대한 상한(bound)을 주목하며, 이 연구를 기반으로 한 도메인 정렬(domain-aligning) 알고리즘인 Domain Adversarial Neural Networks(DANN)를 Ganin과 Lempitsky(International conference on machine learning, pp 1180–1189)에서 제안한 바 있다. 최근에는 도메인 일반화(domain generalization)라는 관련 문제에 대해 DANN의 여러 변형들이 제안되었으나, 원래의 동기 부여가 된 상한에 대해서는 충분히 논의되지 않았다. 본 논문에서는 이러한 관점에서 도메인 일반화에서 DANN의 타당성을 조사한다. DANN을 적용하는 것이 타당한 조건들을 규명하고, 나아가 훈련 중 DANN을 동적 과정으로서 고려한다. 우리의 조사 결과는, 도메인 일반화에 DANN을 적용하는 일이 겉보기보다 단순하지 않을 수 있음을 시사한다. 이를 해결하기 위해, 도메인 일반화의 경우에 해당하는 DANN에 대한 알고리즘적 확장을 설계한다. 실험을 통해 이론과 알고리즘 모두를 검증한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.