본 논문은 소스 데이터 접근 없이 수행되는 소스-프리 오픈셋 도메인 적응(SF-OSDA) 문제를 다룹니다. 기존 SF-OSDA 방법들은 예측 엔트로피를 기반으로 알려진 클래스와 알려지지 않은 클래스를 구분하지만, 알려지지 않은 클래스에 대한 특징을 명시적으로 학습하지 못하는 한계가 있습니다. 본 논문에서는 Recall and Refine (RRDA)라는 새로운 SF-OSDA 프레임워크를 제안합니다. RRDA는 두 단계로 구성됩니다. 첫째, 타겟 도메인 특징으로부터 생성된 합성 샘플을 이용하여 추가적인 결정 경계를 가진 타겟 분류기를 학습함으로써 알려지지 않은 클래스를 인식하는 모델의 능력을 향상시킵니다. 둘째, 기존의 소스-프리 도메인 적응 방법(예: SHOT, AaD)을 통합하여 도메인 이동 및 알려지지 않은 클래스와의 구분성을 모두 해결하도록 전체 모델을 타겟 도메인에 적응시킵니다. 세 개의 벤치마크 데이터셋에 대한 실험 결과, RRDA가 기존 SF-OSDA 및 OSDA 방법들을 상당히 능가함을 보여줍니다.
