論文の概要: Multi-Source Deep Domain Adaptation with Weak Supervision for
Time-Series Sensor Data
- arxiv url: http://arxiv.org/abs/2005.10996v1
- Date: Fri, 22 May 2020 04:16:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 08:32:35.159793
- Title: Multi-Source Deep Domain Adaptation with Weak Supervision for
Time-Series Sensor Data
- Title（参考訳）: 時系列センサデータの弱い監督によるマルチソース深部領域適応
- Authors: Garrett Wilson, Janardhan Rao Doppa, Diane J. Cook
- Abstract要約: 時系列データ(CoDATS)のための新しい畳み込み深層ドメイン適応モデルを提案する。
第二に、ターゲットドメインラベル分布の形での弱監督を生かして、新しいドメイン適応型弱スーパービジョン(DA-WS)手法を提案する。
第3に、ドメイン適応と弱い監督手法の有効性を評価するために、多様な実世界のデータセットに関する包括的な実験を行う。
- 参考スコア（独自算出の注目度）: 31.43183992755392
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain adaptation (DA) offers a valuable means to reuse data and models for
new problem domains. However, robust techniques have not yet been considered
for time series data with varying amounts of data availability. In this paper,
we make three main contributions to fill this gap. First, we propose a novel
Convolutional deep Domain Adaptation model for Time Series data (CoDATS) that
significantly improves accuracy and training time over state-of-the-art DA
strategies on real-world sensor data benchmarks. By utilizing data from
multiple source domains, we increase the usefulness of CoDATS to further
improve accuracy over prior single-source methods, particularly on complex time
series datasets that have high variability between domains. Second, we propose
a novel Domain Adaptation with Weak Supervision (DA-WS) method by utilizing
weak supervision in the form of target-domain label distributions, which may be
easier to collect than additional data labels. Third, we perform comprehensive
experiments on diverse real-world datasets to evaluate the effectiveness of our
domain adaptation and weak supervision methods. Results show that CoDATS for
single-source DA significantly improves over the state-of-the-art methods, and
we achieve additional improvements in accuracy using data from multiple source
domains and weakly supervised signals. Code is available at:
https://github.com/floft/codats
- Abstract（参考訳）: ドメイン適応(DA)は新しい問題領域のためにデータとモデルを再利用する貴重な手段を提供する。
しかし、様々なデータ可用性を持つ時系列データについては、堅牢な技術はまだ検討されていない。
本稿では,このギャップを埋めるための主な貢献を3つ挙げる。
まず,実世界のセンサデータベンチマークにおける最先端da戦略よりも精度とトレーニング時間を大幅に向上させる,時系列データ(codats)のための新しい畳み込み型ディープドメイン適応モデルを提案する。
複数のソースドメインからのデータを活用することで、CoDATSの有用性を高め、従来の単一ソースメソッド、特にドメイン間で高いばらつきを持つ複雑な時系列データセットよりも精度を向上する。
第2に,データラベルの追加よりも収集が容易なターゲット・ドメインラベル分布の形での弱い監督を利用することにより,da-ws法を用いた新しいドメイン適応を提案する。
第3に,多様な実世界のデータセットについて総合的な実験を行い,ドメイン適応と弱い監督手法の有効性を評価した。
その結果,シングルソースdaのためのcodatsは最先端手法よりも大幅に改善され,複数のソースドメインのデータと弱い教師付き信号を用いて精度が向上した。
コードは、https://github.com/floft/codatsで入手できる。
関連論文リスト
- AGLP: A Graph Learning Perspective for Semi-supervised Domain Adaptation [13.472532378889264]
半教師付きドメイン適応(SSDA)において、このモデルは、部分的にラベル付けされたターゲットドメインデータと大量のラベル付けされたソースドメインデータを活用することを目的としている。
本稿では,半教師付きドメイン適応のためのグラフ学習視点(AGLP)を提案する。
グラフ畳み込みネットワークをインスタンスグラフに適用することにより,重み付きグラフエッジに沿って構造情報を伝搬することができる。
論文 参考訳（メタデータ） (2024-11-20T09:41:41Z) - Gradual Source Domain Expansion for Unsupervised Domain Adaptation [45.207132297204424]
教師なしドメイン適応(UDA)は、ソースデータセットからターゲットデータセットに知識を転送することで、大きなラベル付きデータセットの必要性を克服しようとする。
本稿では,この問題を解決するために,段階的ソース領域拡張(GSDE)アルゴリズムを提案する。
GSDEはUDAタスクをスクラッチから数回トレーニングし、毎回ネットワークウェイトを再起動するが、毎回ターゲットデータでソースデータセットを拡張する。
論文 参考訳（メタデータ） (2023-11-16T06:18:35Z) - T-UDA: Temporal Unsupervised Domain Adaptation in Sequential Point
Clouds [2.5291108878852864]
教師なしドメイン適応(UDA)メソッドは、1つの(ソース)ドメインでトレーニングされたモデルに、アノテーションが利用可能な他の(ターゲット)ドメインに適応する。
本稿では,両トレンドの長所を活かした新しい領域適応手法を提案する。この組み合わせにより,運転シーンの3次元セマンティックセマンティックセグメンテーションのタスクにおいて,大きなパフォーマンス向上が得られる。
論文 参考訳（メタデータ） (2023-09-15T10:47:12Z) - Domain Alignment Meets Fully Test-Time Adaptation [24.546705919244936]
デプロイされたMLモデルの基本的な要件は、トレーニングとは異なるテストディストリビューションから引き出されたデータに一般化することである。
本稿では,元のソースデータへのアクセスを制限した,この問題の難易度に焦点をあてる。
ソースデータ全体にアクセスする必要性を緩和し,UDAとFTTAを橋渡しする新しいアプローチCATTAnを提案する。
論文 参考訳（メタデータ） (2022-07-09T03:17:19Z) - Back to the Source: Diffusion-Driven Test-Time Adaptation [77.4229736436935]
テスト時間適応はテスト入力を利用し、シフトしたターゲットデータ上でテストした場合、ソースデータに基づいてトレーニングされたモデルの精度を向上させる。
代わりに、生成拡散モデルを用いて、すべてのテスト入力をソース領域に向けて投影することで、ターゲットデータを更新する。
論文 参考訳（メタデータ） (2022-07-07T17:14:10Z) - Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。
近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。
本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
論文 参考訳（メタデータ） (2022-04-24T12:22:19Z) - Unsupervised Domain Adaptive Learning via Synthetic Data for Person
Re-identification [101.1886788396803]
人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。
残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。
本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
論文 参考訳（メタデータ） (2021-09-12T15:51:41Z) - Robust wav2vec 2.0: Analyzing Domain Shift in Self-Supervised
Pre-Training [67.71228426496013]
事前トレーニング中にターゲットドメインデータを使用することで,さまざまなセットアップで大幅なパフォーマンス向上が期待できる。
複数のドメインで事前トレーニングを行うことで、トレーニング中に見られないドメインのパフォーマンスの一般化が向上します。
論文 参考訳（メタデータ） (2021-04-02T12:53:15Z) - A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。
多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。
限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
論文 参考訳（メタデータ） (2020-09-01T00:06:50Z) - Online Meta-Learning for Multi-Source and Semi-Supervised Domain
Adaptation [4.1799778475823315]
本稿では,既存のDAアルゴリズムの初期条件をメタラーニングすることで,性能向上のためのフレームワークを提案する。
マルチソース非教師付きドメイン適応(MSDA)と半教師付きドメイン適応(SSDA)の両方の変種を提示する。
最大規模のDomainNetを含む,いくつかのDAベンチマークで得られた成果を報告する。
論文 参考訳（メタデータ） (2020-04-09T07:48:22Z) - Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。
グラフ埋め込みに基づく汎用フレームワークを提案する。
提案手法が強力なドメイン適応フレームワークにつながることを示す。
論文 参考訳（メタデータ） (2020-03-09T12:25:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。