論文の概要: Self-supervised Autoregressive Domain Adaptation for Time Series Data
- arxiv url: http://arxiv.org/abs/2111.14834v1
- Date: Mon, 29 Nov 2021 08:17:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-02 08:23:16.822162
- Title: Self-supervised Autoregressive Domain Adaptation for Time Series Data
- Title（参考訳）: 時系列データに対する自己教師付き自己回帰ドメイン適応
- Authors: Mohamed Ragab, Emadeldeen Eldele, Zhenghua Chen, Min Wu, Chee-Keong
Kwoh, and Xiaoli Li
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.75443057146649
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unsupervised domain adaptation (UDA) has successfully addressed the domain
shift problem for visual applications. Yet, these approaches may have limited
performance for time series data due to the following reasons. First, they
mainly rely on large-scale dataset (i.e., ImageNet) for the source pretraining,
which is not applicable for time-series data. Second, they ignore the temporal
dimension on the feature space of the source and target domains during the
domain alignment step. Last, most of prior UDA methods can only align the
global features without considering the fine-grained class distribution of the
target domain. To address these limitations, we propose a Self-supervised
Autoregressive Domain Adaptation (SLARDA) framework. In particular, we first
design a self-supervised learning module that utilizes forecasting as an
auxiliary task to improve the transferability of the source features. Second,
we propose a novel autoregressive domain adaptation technique that incorporates
temporal dependency of both source and target features during domain alignment.
Finally, we develop an ensemble teacher model to align the class-wise
distribution in the target domain via a confident pseudo labeling approach.
Extensive experiments have been conducted on three real-world time series
applications with 30 cross-domain scenarios. Results demonstrate that our
proposed SLARDA method significantly outperforms the state-of-the-art
approaches for time series domain adaptation.
- Abstract（参考訳）: 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。
しかし、これらの手法は以下の理由から時系列データの性能に制限がある可能性がある。
まず、主に時系列データには適用できないソース事前トレーニングのために大規模なデータセット(イメージネット)に依存している。
第二に、彼らはドメインアライメントステップの間、ソースとターゲットドメインの特徴空間の時間次元を無視します。
最後に、以前のUDAメソッドのほとんどは、対象ドメインの詳細なクラス分布を考慮せずにグローバルな特徴を調整できる。
このような制約に対処するために,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。
特に,予測を補助タスクとして利用する自己教師付き学習モジュールをまず設計し,ソース機能の転送性を向上させる。
第2に、ドメインアライメント中のソースとターゲットの特徴の時間的依存性を組み込んだ、新しい自己回帰型ドメイン適応手法を提案する。
最後に,親密な擬似ラベリング手法を用いて,対象領域のクラスワイド分布を整列するアンサンブル教師モデルを構築した。
30のクロスドメインシナリオを含む3つの実世界の時系列アプリケーションで広範な実験が行われている。
その結果,提案手法は時系列領域適応のための最先端手法よりも優れていた。
関連論文リスト
- Progressive Conservative Adaptation for Evolving Target Domains [76.9274842289221]
従来のドメイン適応は、典型的には、ソースドメインから定常ターゲットドメインに知識を転送する。
このような対象データに対する復元と適応は、時間とともに計算とリソース消費をエスカレートする。
我々は、進歩的保守的適応(PCAda)と呼ばれる、単純で効果的なアプローチを提案する。
論文 参考訳（メタデータ） (2024-02-07T04:11:25Z) - Deep Unsupervised Domain Adaptation: A Review of Recent Advances and
Perspectives [16.68091981866261]
対象領域のデータの性能低下に対応するために、教師なし領域適応(UDA)を提案する。
UDAは、自然言語処理、ビデオ解析、自然言語処理、時系列データ分析、医用画像解析など、有望な成果を上げている。
論文 参考訳（メタデータ） (2022-08-15T20:05:07Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - Adversarial Domain Adaptation with Self-Training for EEG-based Sleep
Stage Classification [13.986662296156013]
本研究では,未ラベル対象領域におけるドメインシフト問題に対処するための新しい逆学習フレームワークを提案する。
まず、ソースドメインとターゲットドメインのドメイン固有の特徴を保存するために、非共有アテンションメカニズムを開発する。
第2に、ターゲットドメインの擬似ラベルを用いて、ソースおよびターゲットドメインの細粒度分布クラスを調整するための自己学習戦略を設計する。
論文 参考訳（メタデータ） (2021-07-09T14:56:12Z) - Gradual Domain Adaptation via Self-Training of Auxiliary Models [50.63206102072175]
ソースとターゲットドメイン間のギャップを増やすことで、ドメイン適応はより難しくなります。
中間領域のモデルを学習する補助モデル(AuxSelfTrain)の自己学習を提案する。
教師なしおよび半教師付きドメイン適応のベンチマークデータセットの実験は、その有効性を検証する。
論文 参考訳（メタデータ） (2021-06-18T03:15:25Z) - Instance Level Affinity-Based Transfer for Unsupervised Domain
Adaptation [74.71931918541748]
ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。
まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。
ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
論文 参考訳（メタデータ） (2021-04-03T01:33:14Z) - Cross-domain Time Series Forecasting with Attention Sharing [10.180248006928107]
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。
論文 参考訳（メタデータ） (2021-02-13T00:26:35Z) - Unsupervised Domain Adaptation for Spatio-Temporal Action Localization [69.12982544509427]
S時間動作の局所化はコンピュータビジョンにおいて重要な問題である。
本稿では、エンドツーエンドの教師なしドメイン適応アルゴリズムを提案する。
空間的特徴と時間的特徴を別々にあるいは共同的に適応した場合に,顕著な性能向上が達成できることを示す。
論文 参考訳（メタデータ） (2020-10-19T04:25:10Z) - Contradistinguisher: A Vapnik's Imperative to Unsupervised Domain
Adaptation [7.538482310185133]
本研究では,コントラスト特徴を学習するContradistinguisherと呼ばれるモデルを提案する。
Office-31とVisDA-2017における最先端のデータセットを、シングルソースとマルチソースの両方で実現しています。
論文 参考訳（メタデータ） (2020-05-25T19:54:38Z) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳（メタデータ） (2020-05-14T04:23:24Z)
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。