論文の概要: Cross-domain Time Series Forecasting with Attention Sharing
- arxiv url: http://arxiv.org/abs/2102.06828v1
- Date: Sat, 13 Feb 2021 00:26:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-16 16:06:41.949562
- Title: Cross-domain Time Series Forecasting with Attention Sharing
- Title（参考訳）: 注意共有によるクロスドメイン時系列予測
- Authors: Xiaoyong Jin, Youngsuk Park, Danielle Maddix, Bernie Wang, Xifeng Yan
- Abstract要約: 本稿では,データ不足問題に対処する新しいドメイン適応フレームワークであるDomain Adaptation Forecaster(DAF)を提案する。
特に、ドメイン間のドメイン識別器と、個々のドメインに対するプリベートモジュールを備えたアテンションベースの共有モジュールを提案する。
これにより、ドメイン固有の機能をトレーニングしながら、ドメイン不変の潜在機能を生成させることで、ソースとターゲットドメインを共同でトレーニングすることができる。
- 参考スコア（独自算出の注目度）: 10.180248006928107
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recent years have witnessed deep neural net-works gaining increasing
popularity in the field oftime series forecasting. A primary reason of
theirsuccess is their ability to effectively capture com-plex temporal dynamics
across multiple relatedtime series. However, the advantages of thesedeep
forecasters only start to emerge in the pres-ence of a sufficient amount of
data. This poses achallenge for typical forecasting problems in prac-tice,
where one either has a small number of timeseries, or limited observations per
time series, orboth. To cope with the issue of data scarcity, wepropose a novel
domain adaptation framework,Domain Adaptation Forecaster (DAF), that lever-ages
the statistical strengths from another relevantdomain with abundant data
samples (source) toimprove the performance on the domain of inter-est with
limited data (target). In particular, we pro-pose an attention-based shared
module with a do-main discriminator across domains as well as pri-vate modules
for individual domains. This allowsus to jointly train the source and target
domains bygenerating domain-invariant latent features whileretraining
domain-specific features. Extensive ex-periments on various domains demonstrate
thatour proposed method outperforms state-of-the-artbaselines on synthetic and
real-world datasets.
- Abstract（参考訳）: 近年、時系列予測の分野では、ディープニューラルネットワークの人気が高まっています。
成功のおもな理由は、複数の関連時間系列にわたるcom-plextemporic dynamicsを効果的に捉える能力である。
しかし、これらの深い予測者の利点は、十分な量のデータの存在によってのみ現れ始める。
これは、時系列の数が少なかったり、時系列ごとの観測が限られていたりする、prac-ticeの典型的な予測問題の原因となる。
データ希少性の問題に対処するため,新たなドメイン適応フレームワークであるDomain Adaptation Forecaster(DAF)を提案する。このフレームワークは,他の関連ドメインの統計的強みを豊富なデータサンプル(ソース)でレバーエイジングし,限られたデータ(ターゲット)で間接領域のパフォーマンスを向上させる。
特に、ドメイン間のドメイン識別器と、個々のドメインに対するプリベートモジュールを備えたアテンションベースの共有モジュールを提案する。
これにより、ドメイン固有の機能をトレーニングしながら、ドメイン不変の潜在機能を生成させることで、ソースとターゲットドメインを共同でトレーニングすることができる。
提案手法は、合成データセットと実世界のデータセットの最先端のベースラインを上回ります。
関連論文リスト
- Exploiting Graph Structured Cross-Domain Representation for Multi-Domain
Recommendation [71.45854187886088]
マルチドメインレコメンデータシステムは、クロスドメイン表現学習とポジティブな知識伝達の恩恵を受ける。
我々はMAGRecと呼ばれる手法のコンテキスト情報として時間的ドメイン内相互作用とドメイン間相互作用を用いる。
我々は、MAGRecが最先端の手法を一貫して上回る様々なシナリオで、公開データセットで実験を行う。
論文 参考訳（メタデータ） (2023-02-12T19:51:32Z) - Domain-incremental Cardiac Image Segmentation with Style-oriented Replay
and Domain-sensitive Feature Whitening [67.6394526631557]
M&Mは、各受信データセットから漸進的に学習し、時間が経つにつれて改善された機能で漸進的に更新する必要がある。
医学的シナリオでは、データのプライバシのため、過去のデータへのアクセスや保存が一般的に許可されないため、これは特に困難である。
本稿では,まず過去のドメイン入力を復元し,モデル最適化中に定期的に再生する新しいドメイン増分学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-09T13:07:36Z) - Multi-Domain Long-Tailed Learning by Augmenting Disentangled
Representations [74.1890114755864]
実世界のシナリオは、しばしば異なる不均衡なクラス分布を持つ複数のドメインを含む。
本稿では,ドメインやクラスに隠された表現をバランスよく拡張することで,不変な予測子を生成するTALLYを紹介する。
我々は,古典的領域一般化ベンチマークと実世界不均衡な2つのマルチドメインデータセットの長い尾を持つ4つの変種に対してTALLYを評価する。
論文 参考訳（メタデータ） (2022-10-25T21:54:26Z) - Domain Generalization via Selective Consistency Regularization for Time
Series Classification [16.338176636365752]
ドメイン一般化手法は、限られた数のソースドメインからのデータで、ドメインシフトに頑健なモデルを学習することを目的としている。
本稿では,ソースドメイン間の予測一貫性を選択的に適用する表現学習手法を提案する。
論文 参考訳（メタデータ） (2022-06-16T01:57:35Z) - Forget Less, Count Better: A Domain-Incremental Self-Distillation
Learning Benchmark for Lifelong Crowd Counting [51.44987756859706]
オフザシェルフ法は複数のドメインを扱うのにいくつかの欠点がある。
生涯クラウドカウンティングは、壊滅的な忘れを緩和し、一般化能力を改善することを目的としている。
論文 参考訳（メタデータ） (2022-05-06T15:37:56Z) - Self-supervised Autoregressive Domain Adaptation for Time Series Data [9.75443057146649]
教師なしドメイン適応(UDA)は、視覚アプリケーションにおけるドメインシフト問題にうまく対処している。
これらの手法は、以下の理由により時系列データのパフォーマンスが制限される可能性がある。
本稿では,これらの制約に対処するための自己監督型自己回帰ドメイン適応(SLARDA)フレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-29T08:17:23Z) - Batch Normalization Embeddings for Deep Domain Generalization [50.51405390150066]
ドメインの一般化は、異なるドメインと見えないドメインで堅牢に実行されるように機械学習モデルをトレーニングすることを目的としている。
一般的な領域一般化ベンチマークにおいて,最先端技術よりも分類精度が著しく向上したことを示す。
論文 参考訳（メタデータ） (2020-11-25T12:02:57Z) - Domain Adaptation for Semantic Parsing [68.81787666086554]
本稿では,ドメイン適応のための新しいセマンティクスを提案する。このセマンティクスでは,ソースドメインと比較して,対象ドメインのアノテーション付きデータがはるかに少ない。
我々のセマンティックな利点は、2段階の粗大なフレームワークから得ており、2段階の異なる正確な処理を提供できる。
ベンチマークデータセットの実験により、我々の手法はいくつかの一般的なドメイン適応戦略より一貫して優れていることが示された。
論文 参考訳（メタデータ） (2020-06-23T14:47:41Z)
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。