Unfolding（展開）を用いたチューナブルなドメイン適応

要旨: 機械学習モデルは、異なるノイズレベルなど、データ分布がドメインによって異なる場合、ドメイン間で一般化することにしばしば苦戦し、その結果性能が劣化します。個別のモデルをドメインごとに学習するパーソナライズ学習や、すべてのドメインに対して単一のモデルを用いるジョイント学習といった従来の戦略には、柔軟性と有効性の点で大きな限界があります。そこで本研究では、解釈可能なアンロールネットワークに基づく回帰タスクのための、新しい2つのドメイン適応手法を提案します。これらは反復最適化アルゴリズムに着想を得た深いアーキテクチャです。提案モデルは、選択した調整可能パラメータがドメイン変数に対してどのように関数的に依存するかを活用することで、推論時に制御された適応を可能にします。我々の手法には、既知のドメインパラメータを用いて動的にチューニングするパラメトリック・チューナブル・ドメイン適応（P-TDA）と、入力データからドメイン適応を直接推定するデータ駆動型・チューナブル・ドメイン適応（DD-TDA）が含まれます。本アプローチは、ノイズ適応型の疎信号復元を扱う圧縮センシング問題、ドメイン適応型のゲイン校正、ドメイン適応型の位相復元に対して検証されており、ドメイン特化モデルと比較して改善または同等の性能を示し、さらにジョイント学習のベースラインを上回ることが示されます。本研究は、回帰設定における効果的で解釈可能なドメイン適応のためのアンロールネットワークの可能性を示すものです。