Data augmentation and domain adaptation using the latent space of the deep generative model

2022 Fiscal Year Final Research Report

• Project/Area Number: 19K12164
• Research Category: Grant-in-Aid for Scientific Research (C)
• Allocation Type: Multi-year Fund
• Section: 一般
• Review Section: Basic Section 61040:Soft computing-related
• Research Institution: Ritsumeikan University
• Principal Investigator: Nishikawa Ikuko 立命館大学, 情報理工学部, 教授 (90212117)
• Project Period (FY): 2019-04-01 – 2023-03-31
• Keywords: 深層生成モデル / 潜在空間 / 異常検知 / ドメイン適応 / データ拡張 / エントロピー

Outline of Final Research Achievements

The conducted research on the effective utilization of the latent space obtained by deep generative model has mainly focused on the universal domain adaptation and unsupervised anomaly detection. The methods of acquire the latent space include not only the simple simultaneous acquisition of the encoder and the generator by auto-encoder or variational auto-encoder, but also originally proposed networks: a combination of an generator obtained by the adversarial training followed by the encoder to its input space for the unsupervised anomaly detection, and a combination of multiple encoders, decoders, and a classifier to obtain a pair of task specific latent space and domain specific latent space for the universal domain adaptation. Then, a novel method using class-wise discriminators is proposed for universal domain adaptation for the classification task. Moreover, unsupervised anomaly detection is applied to some biological dynamical data as an approach of inverse genomics.

Free Research Field

機械学習・最適化

Academic Significance and Societal Importance of the Research Achievements

生成モデルが、画像や音声、言語など多様なデータ形式に対して、精度の高いデータを出力できるのは、データをその実世界での姿に依存しない形で抽出し表現できているからです。その表現を、実世界での姿に依らないデータの本質だと期待して、潜在表現と呼んでいます。対象とするデータに対して良い潜在表現を獲得する方法を提案し、潜在空間上でのデータ間の相互関係やデータ分布を使うことで、あるデータセットでの学習結果を他のデータセットに転用して利用できるドメイン適応や、異常データ検知器の構築に正常データだけを用いる学習などを、高精度で実現しました。