블랙박스·멀티소스 환경에서 pseudo label 공간 정제를 통한 비지도 도메인 적응

Pseudo label refinement in black-box multi-source domain adaptation via label space modeling

연구 내용

소스 API 예측만 사용하는 블랙박스 멀티소스 설정에서 pseudo label의 노이즈를 줄이기 위해 label space 기반 정제 프레임워크를 개발하는 연구

강제원 연구실은 비지도 도메인 적응에서 프라이버시·보안 제약으로 인해 소스 데이터나 모델 파라미터 접근이 불가능한 상황을 다룹니다. 특히 멀티소스 블랙박스 도메인 적응에서 각 소스 API의 예측을 단일 pseudo label로 직접 학습하면 발생하는 불안정성을 줄이기 위해, label space 관계를 조건부로 학습하는 pseudo label 정제 프레임워크를 구성합니다. warm-up 단계로 초기 실패를 완화한 뒤, 도메인 관계 탐색을 포함한 후속 정제 단계로 target 모델 적응을 수행합니다.

관련 프로젝트

0건

연구 흐름

2025년에는 블랙박스 UDA의 self-training 제약을 유지하면서도 멀티소스 설정에서 pseudo label 품질을 체계적으로 향상시키는 방향으로 연구를 수행했습니다. 먼저 단일 소스 예측 중심의 기존 학습이 멀티소스 관계를 충분히 반영하지 못한다는 문제를 정리하고, 대상 도메인 조건만으로 소스 도메인 간 관계를 학습하는 Pseudo label Refinery Network의 구성을 제안했습니다. 이후 warm-up 단계와 label refinement 단계의 2단계 학습 흐름으로 노이즈 샘플로 인한 초기 붕괴를 완화하고, 관계 탐색을 통해 정제된 pseudo label로 target 모델을 업데이트하는 구조로 확장했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

블랙박스 API 기반 도메인 적응 파이프라인
멀티소스 예측 결합 학습
레이블 공간 기반 pseudo labeling
초기 학습 실패 완화 전략
노이즈 강건 self-training
도메인 관계 탐색 모듈
프라이버시 보존형 적응 학습
소스 모델 비공개 환경의 전이
이종 데이터 환경 성능 유지
미지 환경 적용 시 성능 캘리브레이션