ドメイン適応 とは？

転移学習は「ある問題で学んだ知識を別の問題に活かす」という大きな概念だよ。ドメイン適応はその中の一種で、特に「同じタスクだけどデータの分布が違う」場合に対処する技術なんだ。たとえば同じ物体検出でも、昼の画像で学習したモデルを夜の画像で使いたいときに活躍するよ。

かなり落ちることがあるよ。たとえば天気がいい日の道路画像で学習した自動運転モデルを、雨や霧の日に使うと認識精度が大幅に下がるんだ。これを「ドメインシフト」と呼ぶんだけど、ドメイン適応はまさにこのギャップを埋めるための技術だよ。

代表的な方法はいくつかあるよ。一つはソースとターゲットの特徴量分布を近づける「分布整合」で、Maximum Mean Discrepancy（MMD）やドメイン敵対的学習（DANN）が有名だね。もう一つは、画像のスタイルだけを変換する「スタイル変換」を使ってターゲットドメイン風のデータを生成するアプローチもあるよ。

できるよ。ターゲットにラベルが全くない場合を「教師なしドメイン適応」と呼ぶんだ。少しだけラベルがある場合は「半教師ありドメイン適応」、全部ある場合は「教師ありドメイン適応」と区別されるよ。実務ではラベル付けが高コストだから、教師なしの手法が特に研究されているんだ。

シミュレーション環境で学習したロボットを現実世界で動かす「Sim-to-Real」はホットな応用分野だね。他にも医療画像で、ある病院のCTスキャンで学習したモデルを別の機種のCTに適応させるケースも多いよ。LLMの世界でも、一般的なテキストで学習したモデルを法律文書や医療文書に適応させるときに使われているんだ。