論文の概要: Time Series Domain Adaptation via Sparse Associative Structure Alignment
- arxiv url: http://arxiv.org/abs/2012.11797v1
- Date: Tue, 22 Dec 2020 02:30:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 07:26:33.267220
- Title: Time Series Domain Adaptation via Sparse Associative Structure Alignment
- Title(参考訳): 疎結合構造アライメントによる時系列領域適応
- Authors: Ruichu Cai, Jiawei Chen, Zijian Li, Wei Chen, Keli Zhang, Junjian Ye,
Zhuozhang Li, Xiaoyan Yang, Zhenjie Zhang
- Abstract要約: ドメイン適応のための新しい疎結合構造アライメントモデルを提案する。
まず、オフセットの障害を排除するためのセグメントセットを生成する。
第2に、変数内および変数間スパースアテンション機構を考案し、連想構造時系列データを抽出する。
第3に、連想構造アライメントは、ソースドメインからターゲットドメインへの知識の転送を導くために使用される。
- 参考スコア(独自算出の注目度): 29.003081310633323
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain adaptation on time series data is an important but challenging task.
Most of the existing works in this area are based on the learning of the
domain-invariant representation of the data with the help of restrictions like
MMD. However, such extraction of the domain-invariant representation is a
non-trivial task for time series data, due to the complex dependence among the
timestamps. In detail, in the fully dependent time series, a small change of
the time lags or the offsets may lead to difficulty in the domain invariant
extraction. Fortunately, the stability of the causality inspired us to explore
the domain invariant structure of the data. To reduce the difficulty in the
discovery of causal structure, we relax it to the sparse associative structure
and propose a novel sparse associative structure alignment model for domain
adaptation. First, we generate the segment set to exclude the obstacle of
offsets. Second, the intra-variables and inter-variables sparse attention
mechanisms are devised to extract associative structure time-series data with
considering time lags. Finally, the associative structure alignment is used to
guide the transfer of knowledge from the source domain to the target one.
Experimental studies not only verify the good performance of our methods on
three real-world datasets but also provide some insightful discoveries on the
transferred knowledge.
- Abstract(参考訳): 時系列データに対するドメイン適応は重要だが、難しい課題である。
この分野の既存の研究のほとんどは、MDDのような制約の助けを借りて、データのドメイン不変表現の学習に基づいている。
しかし、そのようなドメイン不変表現の抽出は、タイムスタンプ間の複雑な依存のため、時系列データに対する非自明なタスクである。
詳しくは、完全依存の時系列において、時間遅れまたはオフセットの小さな変化は、領域不変な抽出の困難をもたらす可能性がある。
幸いにも、因果性の安定性は、データのドメイン不変構造を探求するきっかけになりました。
因果構造の発見の難しさを軽減するため、疎結合構造に緩和し、ドメイン適応のための新しい疎結合構造アライメントモデルを提案する。
まず、オフセットの障害を排除するためのセグメントセットを生成する。
次に,時間遅れを考慮した連想構造時系列データを抽出するために,変数内および変数間注意機構を考案した。
最後に、連想構造アライメントを用いて、ソースドメインからターゲットドメインへの知識の転送を誘導する。
3つの実世界のデータセット上での手法の優れた性能を検証するだけでなく、伝達された知識に関する洞察的な発見も行った。
関連論文リスト
- Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳(メタデータ) (2022-05-25T17:37:08Z) - Cross Reconstruction Transformer for Self-Supervised Time Series
Representation Learning [11.908755624411707]
既存のアプローチは主に対照的な学習フレームワークを活用し、類似したデータペアと異なるデータペアを理解するために自動的に学習する。
本稿では、上記の問題を統一的に解くために、CRT(Cross Reconstruction Transformer)を提案する。
CRTはクロスドメインドロップ・リコンストラクションタスクを通じて時系列表現学習を実現する。
論文 参考訳(メタデータ) (2022-05-20T02:15:14Z) - Time-Series Domain Adaptation via Sparse Associative Structure
Alignment: Learning Invariance and Variance [20.838533947309802]
時系列データに対するドメイン適応は、業界でしばしば発生するが、アカデミックでは限定的に注目されている。
分散と分散の学習による疎結合構造アライメントを提案する。
ドメイン不変な非重み付きスパース結合構造を一方向のアライメント制限で抽出し、よく設計された自己回帰加群を介してドメイン不変強度を埋め込む。
論文 参考訳(メタデータ) (2022-05-07T05:06:36Z) - Generalizable Person Re-Identification via Self-Supervised Batch Norm
Test-Time Adaption [63.7424680360004]
Batch Norm Test-time Adaption (BNTA)は、BNパラメータを適応的に更新するための自己教師型戦略を適用する、新しいre-idフレームワークである。
BNTAは、推論前にラベル付けされていないターゲットデータ内のドメイン認識情報を探索し、BNによって正規化された特徴分布を変調してターゲットドメインに適応させる。
論文 参考訳(メタデータ) (2022-03-01T18:46:32Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳(メタデータ) (2022-02-07T21:37:29Z) - Transferable Time-Series Forecasting under Causal Conditional Shift [22.646660193427934]
本稿では,時系列予測のためのテキストカラーブラックセミ教師付きドメイン適応の問題に焦点をあてる。
提案手法は,クロスドメインのtextitGranger Causality を検出するだけでなく,クロスドメインの時系列予測問題にも対処できる。
論文 参考訳(メタデータ) (2021-11-05T11:50:07Z) - Training for the Future: A Simple Gradient Interpolation Loss to
Generalize Along Time [26.261277497201565]
いくつかの実世界のアプリケーションでは、機械学習モデルがデプロイされ、時間とともに分布が徐々に変化するデータの予測を行う。
本稿では,時間に敏感なパラメータを持つモデルから始める単純な手法を提案する。
論文 参考訳(メタデータ) (2021-08-15T11:20:10Z) - Multivariate Time Series Imputation by Graph Neural Networks [13.308026049048717]
我々は,多変量時系列の異なるチャネルにおける行方不明データを再構成することを目的としたGRILというグラフニューラルネットワークアーキテクチャを導入する。
予備的な結果は,本モデルが関連するベンチマーク上での計算処理において,最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-07-31T17:47:10Z) - AFAN: Augmented Feature Alignment Network for Cross-Domain Object
Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。
本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。
提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文 参考訳(メタデータ) (2021-06-10T05:01:20Z) - Interpretable Time-series Representation Learning With Multi-Level
Disentanglement [56.38489708031278]
Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。
DTSは時系列の解釈可能な表現として階層的意味概念を生成する。
DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
論文 参考訳(メタデータ) (2021-05-17T22:02:24Z) - Unsupervised and self-adaptative techniques for cross-domain person
re-identification [82.54691433502335]
非重複カメラにおける人物再識別(ReID)は難しい課題である。
Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。
本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
論文 参考訳(メタデータ) (2021-03-21T23:58:39Z)
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。