We propose a new domain adaptation method that adjusts feature space itself. In order to adjust the distorted space by the classifier, the relation between the data feature and the class is defined and designed to optimize it. We define a 3-partite graph composed of source domain data, test domain data, and class. The connection between them is defined as a transition probability function between each group. We use a regularization loss for the graph to optimize the connection between classes only self-looped. This is an end-to-end unsupervised learning method that can be easily attached to various domain adaptation methods and is computationally efficient. The results of the domain adaptation experiment between several digit datasets show that the proposed method shows good performance and is a way to change the decision boundary of the classifier because the two domains are separated in the embedding space. In addition, this approach demonstrates improved test performance for the source domain, reinforcing the generalization of the source domain.
특징 공간 자체를 조절하는 새로운 적응형 학습 기법을 제안한다. 분류자에 의해 왜곡된 공간을 조정하기 위해서 데이터 특징과 클래스 사이의 관계를 정의하고 이를 최적화하도록 설계하였다. 소스 도메인 데이터와 테스트 도메인 데이터 그리고 클래스 사이의 연결로 구성된 3-분 그래프를 정의하고, 이들 사이의 연결은 각 그룹 간의 전환 확률 함수로 정의한다. 그래프 내에서 클래스 사이에서 자기 자신으로만 연결되도록 최적화하는 정규화 기법을 이용한다. 이는 여러 적응형 학습 기법들에 쉽게 붙여서 사용 가능하며 계산 효율적이고 한 번에 학습 가능한 비지도 학습 기법이다. 여러 숫자 데이터 세트 사이의 적응형 학습 실험 결과, 좋은 성능을 보이고 특징 공간 내에서 두 도메인이 분리되어 있어 분류자의 결정 경계선을 변경하는 방식임을 보여준다. 또한, 이런 방식은 소스 도메인에 대한 테스트 성능 향상을 보여주어, 소스 도메인에 대한 일반화를 강화하고 있음을 보여준다.
