論文の概要: Time-Series Domain Adaptation via Sparse Associative Structure Alignment: Learning Invariance and Variance

• arxiv url: http://arxiv.org/abs/2205.03554v1
• Date: Sat, 7 May 2022 05:06:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-10 16:19:22.086276
• Title: Time-Series Domain Adaptation via Sparse Associative Structure Alignment: Learning Invariance and Variance
• 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:学習不変性と分散
• Authors: Zijian Li, Ruichu Cai, Jiawei Chen, Yuguan Yan, Wei Chen, Keli Zhang, Junjian Ye
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 20.838533947309802
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain adaptation on time-series data is often encountered in the industry but received limited attention in academia. Most of the existing domain adaptation methods for time-series data borrow the ideas from the existing methods for non-time series data to extract the domain-invariant representation. However, two peculiar difficulties to time-series data have not been solved. 1) It is not a trivial task to model the domain-invariant and complex dependence among different timestamps. 2) The domain-variant information is important but how to leverage them is almost underexploited. Fortunately, the stableness of causal structures among different domains inspires us to explore the structures behind the time-series data. Based on this inspiration, we investigate the domain-invariant unweighted sparse associative structures and the domain-variant strengths of the structures. To achieve this, we propose Sparse Associative structure alignment by learning Invariance and Variance (SASA-IV in short), a model that simultaneously aligns the invariant unweighted spare associative structures and considers the variant information for time-series unsupervised domain adaptation. Technologically, we extract the domain-invariant unweighted sparse associative structures with a unidirectional alignment restriction and embed the domain-variant strengths via a well-designed autoregressive module. Experimental results not only testify that our model yields state-of-the-art performance on three real-world datasets but also provide some insightful discoveries on knowledge transfer.
• Abstract（参考訳）: 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。 時系列データに対する既存のドメイン適応手法のほとんどは、非時系列データに対する既存の方法のアイデアを借用し、ドメイン不変表現を抽出する。 しかし、時系列データに対する2つの特殊な困難は解決されていない。 1)異なるタイムスタンプ間のドメイン不変および複素依存をモデル化するのは自明な作業ではない。 2) ドメイン可変情報は重要であるが,その活用方法はほとんど未公開である。 幸いなことに、異なるドメイン間の因果構造の安定性は、時系列データの背後にある構造を探求するきっかけとなる。 この着想に基づいて, 領域不変な非重み付きスパース結合構造と, 構造の領域不変強度について検討した。 そこで本研究では,不変な非重み付きスペア連想構造を同時に調整し,時系列非教師付き領域適応の変種情報を検討するモデルであるsasa-ivを学習し,疎結合構造アライメントを提案する。 技術的には、一方向のアライメント制限を持つドメイン不変なスパース結合構造を抽出し、よく設計された自己回帰モジュールを介してドメイン不変強度を埋め込む。 実験結果から,本モデルが実世界の3つのデータセット上での最先端性能を示すだけでなく,知識伝達に関する洞察に富む発見も得られた。

関連論文リスト

• Towards Generalisable Time Series Understanding Across Domains [10.350643783811174]
  一般時系列解析のためのオープンモデルであるOTiSを紹介する。 本稿では,学習可能なドメイン固有シグネチャを持つトークンマイザを含む,新しい事前学習パラダイムを提案する。 我々のモデルは、8つの異なるドメインにまたがる640,187個のサンプルと11億個のタイムポイントからなる大規模なコーパスで事前訓練されている。
  論文  参考訳（メタデータ） (2024-10-09T17:09:30Z)
• tPARAFAC2: Tracking evolving patterns in (incomplete) temporal data [0.7285444492473742]
  進化因子の時間的スムーズ性正規化を利用した t(emporal)PARAFAC2 を導入する。 シミュレーションおよび実データを用いた数値実験により,時間的滑らか度正則化の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-01T15:10:55Z)
• Enhancing Evolving Domain Generalization through Dynamic Latent Representations [47.3810472814143]
  我々はMultual Information-Based Sequential Autoencoders (MISTS) と呼ばれる新しいフレームワークを提案する。 MISTSは、Mutual Information-Based Sequential Autoencoders (MISTS)と呼ばれる新しいフレームワークを通じて、動的および不変両方の機能を学ぶ 人工と実世界の両方のデータセットに対する実験結果は、MISTSが進化と不変の両方の情報を取得することに成功していることを示している。
  論文  参考訳（メタデータ） (2024-01-16T16:16:42Z)
• UniTime: A Language-Empowered Unified Model for Cross-Domain Time Series Forecasting [59.11817101030137]
  この研究はドメイン境界を超越する統一モデルパラダイムを提唱する。 効果的なクロスドメインモデルを学ぶことは、以下の課題を提示します。 効果的なドメイン間時系列学習のためのUniTimeを提案する。
  論文  参考訳（メタデータ） (2023-10-15T06:30:22Z)
• Context-aware Domain Adaptation for Time Series Anomaly Detection [69.3488037353497]
  時系列異常検出は、幅広い現実世界の応用において難しい課題である。 近年,類似分野の知識を活用するため,時系列領域適応への取り組みが進められている。 本研究では,コンテキストサンプリングと異常検出を併用した共同学習手法を提案する。
  論文  参考訳（メタデータ） (2023-04-15T02:28:58Z)
• Domain Generalization In Robust Invariant Representation [10.132611239890345]
  本稿では,分布外データに基づく不変表現の一般化について検討する。 不変モデルは分布シフトに頑健な非構造潜在表現を学習することを示す。
  論文  参考訳（メタデータ） (2023-04-07T00:58:30Z)
• SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
  我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。 両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。 実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
  論文  参考訳（メタデータ） (2023-04-06T17:36:23Z)
• 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)
• 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)
• Time Series Domain Adaptation via Sparse Associative Structure Alignment [29.003081310633323]
  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。
  論文  参考訳（メタデータ） (2020-12-22T02:30:40Z)

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。