論文の概要: ADATIME: A Benchmarking Suite for Domain Adaptation on Time Series Data
- arxiv url: http://arxiv.org/abs/2203.08321v1
- Date: Tue, 15 Mar 2022 23:55:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-18 05:41:18.385036
- Title: ADATIME: A Benchmarking Suite for Domain Adaptation on Time Series Data
- Title（参考訳）: ADATIME:時系列データに基づくドメイン適応のためのベンチマークスイート
- Authors: Mohamed Ragab, Emadeldeen Eldele, Wee Ling Tan, Chuan-Sheng Foo,
Zhenghua Chen, Min Wu, Chee-Keong Kwoh, Xiaoli Li
- Abstract要約: 教師なしドメイン適応手法は、トレーニングデータとは異なる分布を持つ可能性のあるラベルなしテストデータに基づいて、うまく一般化することを目的としている。
時系列ドメイン適応に関する既存の研究は、評価スキーム、データセット、バックボーンニューラルネットワークアーキテクチャの矛盾に悩まされている。
時系列データ上で異なる領域適応法を体系的かつ適切に評価するベンチマーク評価スイート(ADATIME)を開発した。
- 参考スコア（独自算出の注目度）: 20.34427953468868
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unsupervised domain adaptation methods aim to generalize well on unlabeled
test data that may have a different (shifted) distribution from the training
data. Such methods are typically developed on image data, and their application
to time series data is less explored. Existing works on time series domain
adaptation suffer from inconsistencies in evaluation schemes, datasets, and
backbone neural network architectures. Moreover, labeled target data are
usually employed for model selection, which violates the fundamental assumption
of unsupervised domain adaptation. To address these issues, we develop a
benchmarking evaluation suite (ADATIME) to systematically and fairly evaluate
different domain adaptation methods on time series data. Specifically, we
standardize the backbone neural network architectures and benchmarking
datasets, while also exploring more realistic model selection approaches that
can work with no labeled data or just few labeled samples. Our evaluation
includes adapting state-of-the-art visual domain adaptation methods to time
series data in addition to the recent methods specifically developed for time
series data. We conduct extensive experiments to evaluate 10 state-of-the-art
methods on four representative datasets spanning 20 cross-domain scenarios. Our
results suggest that with careful selection of hyper-parameters, visual domain
adaptation methods are competitive with methods proposed for time series domain
adaptation. In addition, we find that hyper-parameters could be selected based
on realistic model selection approaches. Our work unveils practical insights
for applying domain adaptation methods on time series data and builds a solid
foundation for future works in the field. The code is available at
\href{https://github.com/emadeldeen24/AdaTime}{github.com/emadeldeen24/AdaTime}.
- Abstract（参考訳）: 教師なしドメイン適応法(unsupervised domain adaptation method)は、トレーニングデータとは異なる(シフトされた)分布を持つ可能性のあるラベルなしテストデータをうまく一般化することを目的としている。
このような手法は一般的に画像データ上で開発され、時系列データへの応用は少ない。
時系列領域適応に関する既存の研究は、評価スキーム、データセット、バックボーンニューラルネットワークアーキテクチャの不整合に苦しむ。
さらに、ラベル付きターゲットデータは通常、教師なしドメイン適応の基本的な前提に反するモデル選択に使用される。
これらの課題に対処するため、時系列データ上で異なるドメイン適応手法を体系的かつ適切に評価するベンチマーク評価スイート(ADATIME)を開発した。
具体的には、バックボーンニューラルネットワークアーキテクチャとベンチマークデータセットを標準化するとともに、ラベル付きデータや少数のラベル付きサンプルで動作可能な、より現実的なモデル選択アプローチも検討しています。
本評価は,時系列データ用に開発された最近の手法に加えて,最先端の視覚領域適応手法を時系列データに適用することを含む。
20のクロスドメインシナリオにまたがる4つの代表的なデータセットにおいて、10の最先端手法を評価するための広範な実験を行った。
提案手法は,ハイパーパラメータの選択を慎重に行うことで,時系列領域適応法と競合することが示唆された。
さらに、ハイパーパラメーターは現実的なモデル選択アプローチに基づいて選択できることがわかった。
本研究は,時系列データにドメイン適応手法を適用するための実践的洞察を公開し,将来的な研究のための基盤を構築する。
コードは \href{https://github.com/emadeldeen24/adatime}{github.com/emadeldeen24/adatime} で入手できる。
関連論文リスト
- SKADA-Bench: Benchmarking Unsupervised Domain Adaptation Methods with Realistic Validation [55.87169702896249]
Unsupervised Domain Adaptation (DA) は、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適用して、ラベルなしのターゲットドメインでデータ分散シフトをうまく実行する。
本稿では,DA手法の評価と,再重み付け,マッピング,部分空間アライメントなど,既存の浅層アルゴリズムの公平な評価を行うフレームワークを提案する。
本ベンチマークでは,現実的な検証の重要性を強調し,現実的なアプリケーションに対する実践的なガイダンスを提供する。
論文 参考訳（メタデータ） (2024-07-16T12:52:29Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - NuwaTS: a Foundation Model Mending Every Incomplete Time Series [24.768755438620666]
textbfNuwaTSは,事前学習型言語モデルを用いて時系列計算を行う新しいフレームワークである。
NuwaTSは、任意のドメインにまたがる欠落したデータをインプットするために適用することができる。
我々はNuwaTSが予測などの他の時系列タスクに一般化していることを示す。
論文 参考訳（メタデータ） (2024-05-24T07:59:02Z) - Deep Unsupervised Domain Adaptation for Time Series Classification: a
Benchmark [3.618615996077951]
Unsupervised Domain Adaptation (UDA)は、ラベル付きソースデータを利用してラベルなしターゲットデータのモデルをトレーニングすることを目的としている。
本稿では,時系列分類のためのUDA手法の評価ベンチマークを提案する。
さまざまなドメインシフトと時間的ダイナミクスをカバーする7つの新しいベンチマークデータセットを提供する。
論文 参考訳（メタデータ） (2023-12-15T15:03:55Z) - Temporal Treasure Hunt: Content-based Time Series Retrieval System for
Discovering Insights [34.1973242428317]
時系列データは、金融、医療、製造業など、さまざまな分野にまたがっている。
Content-based Time Series Retrieval(CTSR)を実行する能力は、未知の時系列例を特定する上で重要である。
我々は,様々な領域の時系列データを含むCTSRベンチマークデータセットを提案する。
論文 参考訳（メタデータ） (2023-11-05T04:12:13Z) - Pushing the Limits of Pre-training for Time Series Forecasting in the
CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。
強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。
これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文 参考訳（メタデータ） (2023-10-08T08:09:51Z) - Toward a Foundation Model for Time Series Data [34.1973242428317]
基礎モデルは、大規模で多様なデータセットに基づいてトレーニングされた機械学習モデルである。
複数のドメインのラベルのないサンプルを活用することで,効率的な時系列基礎モデルを構築する。
論文 参考訳（メタデータ） (2023-10-05T21:44:50Z) - Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。
IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。
提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
論文 参考訳（メタデータ） (2023-09-25T15:56:01Z) - Few-Shot Forecasting of Time-Series with Heterogeneous Channels [4.635820333232681]
本研究では,時間的埋め込みを組み込んだ置換不変な深部集合ブロックからなるモデルを開発する。
実験を通して、我々のモデルはより単純なシナリオから実行されたベースラインよりも優れた一般化を提供することを示す。
論文 参考訳（メタデータ） (2022-04-07T14:02:15Z) - VisDA-2021 Competition Universal Domain Adaptation to Improve
Performance on Out-of-Distribution Data [64.91713686654805]
Visual Domain Adaptation (VisDA) 2021コンペティションは、新しいテストディストリビューションに適応するモデルの能力をテストする。
我々は,新しい視点,背景,モダリティ,品質劣化への適応性を評価する。
厳密なプロトコルを使用してパフォーマンスを計測し、最先端のドメイン適応手法と比較する。
論文 参考訳（メタデータ） (2021-07-23T03:21:51Z) - 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)
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。