본 논문에서는 새로운 자기 지도 학습 전이 학습 방법인 Distribution Matching (DM)을 제안합니다. DM은 증강 불변성을 유지하면서 표현 분포를 미리 정의된 참조 분포로 유도합니다. DM은 직관적으로 구조화된 학습된 표현 공간을 생성하여 해석을 용이하게 합니다. 여러 실제 데이터 세트와 평가 지표에 대한 실험 결과는 DM이 기존의 자기 지도 학습 전이 학습 방법에 비해 목표 분류 작업에서 경쟁력 있는 성능을 보임을 보여줍니다. 또한, 모집단 정리와 엔드투엔드 표본 정리를 포함한 DM에 대한 강력한 이론적 보장을 제공합니다. 모집단 정리는 자기 지도 학습 작업과 목표 분류 정확도 간의 간극을 해소하고, 표본 정리는 표본 수가 제한된 경우에도 충분히 많은 비표시된 표본 크기가 주어지면 DM이 뛰어난 분류 성능을 제공함을 보여줍니다.
