0️⃣ 논문 메타 정보 (시작 세팅)

논문

• Semi-Supervised Domain Adaptation via Minimax Entropy
• CVPR 2019

Obsidian 액션

• 아직 노트 생성 ❌
• PDF 열어둔 상태

1️⃣ GPT 한 줄 요약 (워밍업)

한 줄 요약
소량의 타깃 라벨과 다량의 비라벨 데이터를 활용해,
엔트로피에 대한 minimax 학습으로 도메인 간 분포 차이를 줄이는 SSDA 방법을 제안한다.

📌 이 문장은 곧 Paper 노트의 “한 줄 요약”이 됨

2️⃣ 1회독: 구조 훑기

(Title → Abstract → Figure 1 → Conclusion)

이 단계에서 파악할 것

• 문제 설정이 뭔가?
• 기존 DA랑 뭐가 다른가?
• Figure 1이 말하려는 구조는?

핵심 파악 결과 (요약)

문제 설정

• Source: 라벨 충분
• Target: 소량의 라벨 + 많은 비라벨
• 기존 UDA / SSL 모두 애매하게 안 맞음

Figure 1의 핵심

• Classifier ↔ Feature Extractor 사이에 minimax 게임
• 엔트로피를 중심으로 양쪽 목적이 반대

✅ Obsidian 액션: Paper 노트 생성

위치

02_PAPERS/2019_SSDA_MinimaxEntropy.md

지금 단계에서 작성하는 내용

# Semi-Supervised Domain Adaptation via Minimax Entropy (2019)

## 한 줄 요약
소량의 타깃 라벨과 다량의 비라벨 데이터를 활용해,
엔트로피에 대한 minimax 학습으로 도메인 간 분포 차이를 줄이는 SSDA 방법을 제안한다.

---

## 문제의식
- 실제 환경에서는 타깃 도메인에 소량의 라벨만 존재
- 기존 UDA는 타깃 라벨을 사용하지 못함
- 기존 SSL은 도메인 차이를 고려하지 않음

---

## 핵심 아이디어 (초안)
- 타깃 비라벨 데이터의 예측 엔트로피를 중심으로 minimax 학습 구성
- 분류기와 특징 추출기의 목적을 반대로 설정

📌 아직 완벽할 필요 없음
📌 “방향성”만 있으면 OK

3️⃣ 2회독: 그림 중심 읽기

Figure를 보며 드는 생각

• 왜 classifier는 entropy를 최대화하지?
• 왜 feature extractor는 entropy를 최소화하지?
• decision boundary를 움직이려는 의도?

여기서 등장하는 “개념 후보”

이제 Paper 노트에 개념 후보만 표시합니다.

## 핵심 개념 후보
- [[Semi-Supervised Domain Adaptation]]
- [[Entropy]]
- [[Minimax Optimization]]
- [[Decision Boundary]]
- [[Feature Alignment]] ?

📌 아직 Concept 노트 안 만들어도 됩니다
📌 물음표 붙여도 괜찮음

4️⃣ 3회독: 수식 의미 파악

이 단계의 핵심 질문

• 이 수식이 뭘 조절하려는 수식인가
• 왜 entropy인가?
• pseudo-label이랑 뭐가 다른가?

핵심 이해 포인트

• Entropy ↓ → confident prediction
• Classifier:
  • entropy ↑ → decision boundary를 타깃 데이터 쪽으로 밀어냄
• Feature Extractor:
  • entropy ↓ → 타깃 데이터가 클래스 중심으로 모이게 함

👉 “경계 이동 + 군집”을 동시에 유도

✅ Obsidian 액션: Concept 노트 생성 시작

이제 Concept를 만들 타이밍입니다.

우선 3개부터 만듭니다:

• Entropy
• Minimax Optimization
• Semi-Supervised Domain Adaptation

Paper 노트에는 이렇게 연결만 남깁니다.

- 엔트로피 기반 목적 함수로 [[Minimax Optimization]] 수행
- 타깃 비라벨 데이터에 대해 [[Entropy]]를 학습 신호로 사용

5️⃣ 4회독: 기존 방법과 비교

논문이 강조하는 비교 구도

• 기존 SSDA:
  • pseudo-label 의존
  • 오류 전파 문제
• MME:
  • 확률 분포 자체(Entropy)에 집중
  • 라벨 오류 없이 학습 가능

Obsidian에 남길 비교 정리

## 기존 방법과의 차이
- 기존 SSDA: pseudo-label 기반
- 본 논문: [[Entropy]] 기반 minimax 학습
- decision boundary를 직접 제어

👉 여기서 pseudo-label도 Concept 후보로 자연스럽게 등장

6️⃣ 읽고 나서: A4 1장 요약 → Obsidian 분리

(1) Summary 노트

위치

06_SUMMARIES/MME_SSDA_요약.md

내용:

• 문제 정의
• 핵심 아이디어
• Figure 1 구조 설명 (글로)
• 언제 쓰면 좋은 방법인지

(2) Project / 활용 아이디어

Paper 노트 하단에만 간단히:

## 활용 아이디어
- Source-free DA로 확장 가능?
- Prototype 기반 방법과 결합?

👉 나중에 Project로 승격 가능