SGN: 분포 이동 환경에서의 데이터 생성기를 위한 유사성 기반 생성 네트워크

SGN: A Similarity-based Generative Network for Data Generation under Distribution Shift

소스 도메인에서 학습된 생성 모델은 종종 변화된 대상 도메인과 일관성이 떨어지는 샘플을 생성하여, 대상 도메인 데이터 증강의 효과를 제한합니다. 대상 도메인에 특화된 적응이 이러한 불일치를 줄일 수 있지만, 일반적으로 추가적인 최적화 및 도메인별 파라미터가 필요합니다. 본 연구에서는 레이블 기반 쌍방향 유사성에 의해 구조화된 잠재 공간을 학습하고, 인코더-디코더 아키텍처를 통해 재구성 정보를 유지하는 재사용 가능한 프레임워크인 Similarity-based Generative Network (SGN)을 제안합니다. SGN은 레이블이 있는 소스 데이터를 사용하여 한 번만 학습되며, 파라미터 업데이트 없이 새로운 대상 도메인에 적용할 수 있습니다. 생성 시, 대상 도메인에서 작은 크기의 레이블이 지정된 대표 데이터셋을 인코딩하고 학습된 잠재 공간에 결합하여 생성된 샘플이 대상 도메인의 특정 특성을 상속하면서도 클래스 일관성을 유지하도록 합니다. 또한, 제안하는 유사성 구조의 실현 가능성과 차원 요구 사항을 분석합니다. 이미지 및 표 형식 데이터셋에서의 실험 결과는 SGN이 소스-대상 분포 이동 환경에서 대상 도메인 지향 데이터 증강에 효과적임을 보여줍니다.

Generative models trained on a source domain often produce samples that are poorly aligned with shifted target domains, limiting their effectiveness for target-domain data augmentation. Although target-specific adaptation can reduce this mismatch, it typically requires additional optimization and domain-specific parameters. We propose a Similarity-based Generative Network (SGN), a reusable framework that is trained once on labeled source data and applied to new target domains without parameter updates. SGN learns a latent space structured by label-induced pairwise similarities while preserving reconstructive information through an encoder-decoder architecture. At generation time, a small labeled representative set from the target domain is encoded and combined in the learned latent space, allowing the generated samples to inherit target-specific characteristics while maintaining class consistency. We further analyze the realizability and dimensionality requirements of the proposed similarity structure. Experiments on image and tabular datasets demonstrate the effectiveness of SGN for target-guided data augmentation under source-to-target distribution shifts.