正例とラベル無しデータによる異種ドメイン適応

抄録

ドメイン適応は、異なるドメインのラベル付きソースデータとラベルなしターゲットデータが与えられたとき、両者でドメイン不変の特徴量空間を学習することで、ターゲットについて優れた性能を持つモデルを学習する手法である。中でも、ソースデータとターゲットデータで特徴量空間が異なる場合に適応可能なドメイン適応は、異種ドメイン適応と呼ばれている。従来の異種ドメイン適応は、ソースデータに全ラベルが存在することを仮定しているが、実際には正例のデータしか存在しない場合がある。本研究では、このような設定、すなわち、正例のみのソースデータとラベル無しターゲットデータからなるPU lerning設定における異種ドメイン適応手法を提案する。本提案手法は、敵対的学習を利用することで、ターゲットデータにおける正例負例の二値分類と、ドメイン不変な特徴量空間の学習を同時に実現する。実験により、本提案手法が複数の比較手法の精度を上回ることを明らかにした。