조건부 적대적 도메인 적응

적대적 학습은 도메인 적응을 위해 분리되고 이전 가능한 표현을 학습하기 위해 심층 네트워크에 내장되어 왔다. 기존의 적대적 도메인 적응 방법들은 분류 문제에서 본질적으로 나타나는 다중 모드 분포의 서로 다른 도메인을 효과적으로 정렬하지 못할 수 있다. 본 논문에서는 분류기 예측에 전달되는 판별적 정보를 조건으로 하는 적대적 적응 모델을 이용하는 원칙적인 프레임워크인 조건부 적대적 도메인 적응을 제안한다. 조건부 도메인 적대적 네트워크(CDAN)는 두 가지 새로운 조건화 전략으로 설계되었는데, 하나는 특징 표현과 분류기 예측 간의 교차 공분산을 포착하여 판별력을 향상시키는 다중선형 조건화이고, 다른 하나는 분류기 예측의 불확실성을 제어하여 전이 가능성을 보장하는 엔트로피 조건화이다. 이 방법은 이론적 보장을 갖추고 몇 줄의 코드만으로 5개 데이터셋에서 최첨단 성능을 뛰어넘었다.