Concept Bottleneck Models (CBMs)은 예측을 사람이 이해할 수 있는 개념으로 설명함으로써 해석력을 높이지만, 일반적으로 훈련 데이터와 테스트 데이터가 동일한 분포를 공유한다고 가정합니다. 이 가정은 도메인 이동 시 종종 실패하여 성능 저하 및 일반화능력 저하를 초래합니다. 본 논문에서는 이러한 한계를 해결하고 CBM의 강건성을 향상시키기 위해 Concept-based Unsupervised Domain Adaptation (CUDA) 프레임워크를 제안합니다. CUDA는 (1) 적대적 훈련을 사용하여 도메인 간 개념 표현을 정렬하고, (2) 개념 분포의 사소한 도메인 특정 차이를 허용하는 완화 임계값을 도입하여 이러한 분포의 과도한 제약으로 인한 성능 저하를 방지하며, (3) 라벨이 지정된 개념 데이터 없이도 대상 도메인에서 직접 개념을 추론하여 CBM이 다양한 도메인에 적응할 수 있도록 하고, (4) 이론적 보장과 함께 기존 도메인 적응(DA)에 개념 학습을 통합하여 해석력을 향상시키고 DA에 대한 새로운 벤치마크를 설정합니다. 실험 결과, 제안된 방법이 실제 데이터 세트에서 최첨단 CBM 및 DA 방법보다 성능이 훨씬 뛰어남을 보여줍니다.
