Domain Adaptation 発展と動向まとめ

Transcript

1. 2018/8/1 岡本大和 (Survey) Domain Adaptation 発展と動向まとめ
2. はじめに自己紹介
3. 自己紹介 岡本大和（おかもとやまと）  2013 京都大学 情報学研究科 修士課程修了（美濃研究室所属）  画像処理やパターン認識の研究に着手  卒業後、オムロンに入社（京都企業!!）  R&D担当、機械学習・IoT・データ分析を扱う（バズワードばかり……） twitter.com/RoadRoller_DESU イラストレーターの友人が 描いてくれた似顔絵キャラ （※お気に入り）
4. 今年, 初めてICMLに参加しました。 （ICML 2018 @Stockholm）
5. 水の都Stockholmはええ場所でした
6. Domain Adaptation 発展と動向まとめ
7. Domain Adaptation の課題 ①いかに異なるドメイン間で分布を近づけるか ⇒ Adversarial Learningの活用 ②いかに少ないデータとラベルで学習するか ③いかにSemantic情報を保持するか ⇒ Reconstruction Loss や Centroid Loss の導入
8. Generative Adversarial Networks Goodfellowら(NIPS’14) 初めてGANが提案された論文 Task『特徴量の抽出源は ”SampleData” か ”GenerativeData”か？』 黒線 x ：Data Generating Distribution 緑線 G(z)：Generative Distribution 青線 D(x)：Discriminative Distribution （正データである確率、0.5に近づけたい。） ｚ ：sampled uniformly D X Sample Z noize G
9. Generative Adversarial Networks Goodfellowら(NIPS’14) 初めてGANが提案された論文 Task『特徴量の抽出源は ”SampleData” か ”GenerativeData”か？』 黒線 x ：Data Generating Distribution 緑線 G(z)：Generative Distribution 青線 D(x)：Discriminative Distribution （正データである確率、0.5に近づけたい。） ｚ ：sampled uniformly D X Sample Z noize G 【Problem】 特徴量の分布が似通うだけで Semanticな情報がKeepされない. （異なるクラスの特徴量が近傍に分布する）
10. Deep Reconstruction-Classification Networks for Unsupervised Domain Adaptation Ghifaryら(ECCV’16) Target-Domainに対してUnsupervisedでSemanticな情報をKeepする Task①：Supervised classification of labeled source data Task②：Unsupervised reconstruction of unlabeled target data. 【Contribute】 Reconstruction Lossにより Semantic情報が残るようにした 【Contribute】 TargetのLabelがゼロの場合に対応
11. Few-Shot Adversarial Domain Adaptation Mottianら(NIPS’17) Same class Different class Same Domain Different Domain Semanticな情報をKeepするには、 Classification-Taskを教師あり学習させるのが手っ取り早い。 そこで、Target-Domainのデータやラベルが少ない場合でも、 教師あり学習できる手法が提案された。 *Discriminator：4クラス分類を解けるよう学習 *Generator ：ClassがSameかDifferentか見抜かれないよう学習 【Contribute】 Targetデータが少ない場合に対応
12. ADDA: Adversarral Discriminative Domain Adaptation Tzengら(CVPR’17) ①SourceでClassification-TaskをSupervised Learning ②SourceとTargetでAdversarial Learning ③TargetでClassification-Taskを実行 実線：Wを更新 点線：Wを凍結
13. CYCADA: CYCLE-CONSISTENT ADVERSARIAL DOMAIN ADAPTATION Hoffmanら(ICLR’18) 特徴量と画像(pixel-level)の表現を両方獲得させる
14. CYCADA: CYCLE-CONSISTENT ADVERSARIAL DOMAIN ADAPTATION Hoffmanら(ICLR’18) 特徴量と画像(pixel-level)の表現を両方獲得させる 『Image-level GAN loss』 Target Domainらしい画像を 生成できているかどうか
15. CYCADA: CYCLE-CONSISTENT ADVERSARIAL DOMAIN ADAPTATION Hoffmanら(ICLR’18) 特徴量と画像(pixel-level)の表現を両方獲得させる 『feature-level GAN loss』 各Domainからf t で抽出した 特徴量の分布が類似するかどうか
16. CYCADA: CYCLE-CONSISTENT ADVERSARIAL DOMAIN ADAPTATION Hoffmanら(ICLR’18) 特徴量と画像(pixel-level)の表現を両方獲得させる 『semantic consistency losses』 特徴量を復元できるかどうか。 Domain変換で特徴が失われてないことを確認
17. CYCADA: CYCLE-CONSISTENT ADVERSARIAL DOMAIN ADAPTATION Hoffmanら(ICLR’18) 特徴量と画像(pixel-level)の表現を両方獲得させる 『semantic consistency losses』 画像を復元できるかどうか。 Domain変換で特徴が失われてないことを確認
18. CYCADA: CYCLE-CONSISTENT ADVERSARIAL DOMAIN ADAPTATION Hoffmanら(ICLR’18) 特徴量と画像(pixel-level)の表現を両方獲得させる 『semantic consistency losses』 f T で抽出した特徴量でTaskを解けるかどうか
19. CYCADA: CYCLE-CONSISTENT ADVERSARIAL DOMAIN ADAPTATION Hoffmanら(ICLR’18) 特徴量と画像(pixel-level)の表現を両方獲得させる
20. M-ADDA: Unsupervised Domain Adaptation with Deep Metric Learning Laradjiら(ICML’18） クラス重心の近接度合に着目したCenter Magnet Lossを提案 1. SourceでClassification-TaskをSupervised Learning 2. SourceとTargetから抽出した特徴量でAdversarial Learning 3. Sourceにおいて各Classの重心Cを算出 4. Targetの特徴量がいずれかのClassの重心Cに近づくよう学習 1 2 3 4
21. Learning Semantic Representations for Unsupervised Domain Adaptation Xieら(ICML’18) 異なるドメインの同一クラスの重心が一致するよう学習 1. SourceでClassification-TaskをSupervised Learning 2. SourceとTargetから抽出した特徴量でAdversarial Learning 3. 学習したモデルでTargetをClassificationしてラベル生成する （※このラベリングの正確性は保証されない） 4. 異なるドメインの同一クラスの重心が一致するよう学習 1 2 3 4 1
22. まとめ Domain Adaptation の課題（再掲） ①いかに異なるドメイン間で分布を近づけるか ⇒ Adversarial Learningの活用 ②いかに少ないデータとラベルで学習するか ③いかにSemantic情報を保持するか ⇒ Reconstruction Loss や Centroid Loss の導入