論文の概要: Contrastive Domain Adaptation for Time-Series via Temporal Mixup

• arxiv url: http://arxiv.org/abs/2212.01555v2
• Date: Thu, 27 Jul 2023 05:58:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-28 20:30:07.206878
• Title: Contrastive Domain Adaptation for Time-Series via Temporal Mixup
• Title（参考訳）: 時間混合による時間系列の対比領域適応
• Authors: Emadeldeen Eldele, Mohamed Ragab, Zhenghua Chen, Min Wu, Chee-Keong Kwoh and Xiaoli Li
• Abstract要約: 時系列データのための新しい軽量コントラスト型ドメイン適応フレームワークであるCoTMixを提案する。 具体的には、ソースとターゲットドメインに対する2つの中間的な拡張ビューを生成するための、新しい時間混合戦略を提案する。 我々のアプローチは、最先端のUDAメソッドを著しく上回ります。
• 参考スコア（独自算出の注目度）: 14.723714504015483
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised Domain Adaptation (UDA) has emerged as a powerful solution for the domain shift problem via transferring the knowledge from a labeled source domain to a shifted unlabeled target domain. Despite the prevalence of UDA for visual applications, it remains relatively less explored for time-series applications. In this work, we propose a novel lightweight contrastive domain adaptation framework called CoTMix for time-series data. Unlike existing approaches that either use statistical distances or adversarial techniques, we leverage contrastive learning solely to mitigate the distribution shift across the different domains. Specifically, we propose a novel temporal mixup strategy to generate two intermediate augmented views for the source and target domains. Subsequently, we leverage contrastive learning to maximize the similarity between each domain and its corresponding augmented view. The generated views consider the temporal dynamics of time-series data during the adaptation process while inheriting the semantics among the two domains. Hence, we gradually push both domains towards a common intermediate space, mitigating the distribution shift across them. Extensive experiments conducted on five real-world time-series datasets show that our approach can significantly outperform all state-of-the-art UDA methods. The implementation code of CoTMix is available at \href{https://github.com/emadeldeen24/CoTMix}{github.com/emadeldeen24/CoTMix}.
• Abstract（参考訳）: Unsupervised Domain Adaptation (UDA) は、ラベル付きソースドメインからシフトしたラベル付きターゲットドメインへの知識転送を通じて、ドメインシフト問題の強力な解決策として登場した。 ビジュアルアプリケーションでUDAが普及しているにもかかわらず、時系列アプリケーションでは調査が比較的少ない。 本稿では,時系列データに対するcotmixと呼ばれる新しい軽量コントラストドメイン適応フレームワークを提案する。 統計的距離法や逆境法を用いる既存のアプローチとは異なり、異なる領域にまたがる分布シフトを緩和するためだけにコントラスト学習を利用する。 具体的には、ソースとターゲットドメインに対する2つの中間的な拡張ビューを生成するための、新しい時間混合戦略を提案する。 その後、コントラスト学習を利用して、各ドメインと対応する拡張ビューとの類似性を最大化する。 生成されたビューは、2つのドメイン間のセマンティクスを継承しながら、適応プロセス中の時系列データの時間的ダイナミクスを考える。 したがって、両領域を共通の中間空間へ徐々に押し上げ、それらの間の分布シフトを緩和する。 5つの実世界の時系列データセットで行った広範囲な実験は、我々のアプローチがすべての最先端のudaメソッドを大きく上回ることを示している。 CoTMix の実装コードは \href{https://github.com/emadeldeen24/CoTMix}{github.com/emadeldeen24/CoTMix} で公開されている。

関連論文リスト

• LogoRA: Local-Global Representation Alignment for Robust Time Series Classification [31.704294005809082]
  時系列の教師なしドメイン適応(UDA)は、様々な時間的シナリオで一貫したパターンを特定するモデルを教えることを目的としている。 既存のUDA手法では,時系列データにおけるグローバルな特徴とローカルな特徴を適切に抽出・整合させることが困難である。 マルチスケールの畳み込み分岐とパッチングトランスフォーマー分岐からなる2分岐エンコーダを用いたローカル・グローバル表現アライメントフレームワーク(LogoRA)を提案する。 4つの時系列データセットに対する評価は、LogoRAが最大12.52%の高ベースラインを上回り、時系列UDAタスクにおいてその優位性を示していることを示している。
  論文  参考訳（メタデータ） (2024-09-12T13:59:03Z)
• Unified Domain Adaptive Semantic Segmentation [96.74199626935294]
  Unsupervised Adaptive Domain Semantic (UDA-SS)は、ラベル付きソースドメインからラベル付きターゲットドメインに監督を移すことを目的としている。 本稿では,特徴量と特徴量との相違に対処するQuad-directional Mixup(QuadMix)法を提案する。 提案手法は,4つの挑戦的UDA-SSベンチマークにおいて,最先端の成果を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2023-11-22T09:18:49Z)
• GLAD: Global-Local View Alignment and Background Debiasing for Unsupervised Video Domain Adaptation with Large Domain Gap [9.284539958686368]
  動作認識のための教師なしビデオドメイン適応(UVDA)の課題に対処する。 我々は,時間的ダイナミクスと背景シフトの両面において,ドメインギャップがかなり大きい,Kineetics->BABELという新しいUVDAシナリオを導入する。 本研究では,提案手法がKineetics->BABELデータセットの領域ギャップが大きい既存手法よりも大幅に改善されていることを実証的に検証した。
  論文  参考訳（メタデータ） (2023-11-21T09:27:30Z)
• Long-Term Invariant Local Features via Implicit Cross-Domain Correspondences [79.21515035128832]
  我々は、様々なドメイン変更の下で、現在の最先端特徴抽出ネットワークの性能を徹底的に分析する。 我々は、新しいデータ中心方式、Implicit Cross-Domain Correspondences (iCDC)を提案する。 iCDCは複数のニューラル・ラジアンス・フィールドで同じ環境を表し、それぞれが個々の視覚領域の下にシーンを適合させる。
  論文  参考訳（メタデータ） (2023-11-06T18:53:01Z)
• Match-And-Deform: Time Series Domain Adaptation through Optimal Transport and Temporal Alignment [10.89671409446191]
  我々は、ソースとターゲット時系列の対応を見つけることを目的としたMatch-And-Deform(MAD)アプローチを導入する。 ディープニューラルネットワークに組み込むと、MADは両方のドメインを整列する時系列の新しい表現を学ぶのに役立つ。 ベンチマークデータセットとリモートセンシングデータに関する実証研究は、MADが有意義なサンプルとサンプルのペアリングと時間シフト推定を行うことを示した。
  論文  参考訳（メタデータ） (2023-08-24T09:57:11Z)
• 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)
• 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 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)
• Domain Adaptation for Time-Series Classification to Mitigate Covariate Shift [3.071136270246468]
  本稿では,2つのステップに基づいた新しいドメイン適応手法を提案する。 まず、いくつかのサンプルから、ソースからターゲットドメインへの最適なクラス依存変換を探索する。 次に、埋め込み類似性技術を用いて、推論時に対応する変換を選択する。
  論文  参考訳（メタデータ） (2022-04-07T10:27:14Z)
• Contrast and Mix: Temporal Contrastive Video Domain Adaptation with Background Mixing [55.73722120043086]
  Contrast and Mix(CoMix)は、教師なしビデオドメイン適応のための識別的不変な特徴表現を学習することを目的とした、新しいコントラスト学習フレームワークである。 まず,2つの異なる速度でラベル付きビデオの符号化表現の類似性を最大化することにより,時間的コントラスト学習を用いてドメインギャップをブリッジする。 第2に,両ドメイン間で共有されるアクションセマンティクスを活用するために,アンカー毎の肯定的な追加を可能にするバックグラウンドミキシングを用いることにより,時間的コントラスト損失の新たな拡張を提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:03:29Z)
• Contrastive Learning and Self-Training for Unsupervised Domain Adaptation in Semantic Segmentation [71.77083272602525]
  UDAはラベル付きソースドメインからラベルなしターゲットドメインへの効率的な知識伝達を試みている。 本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。 提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2021-05-05T11:55:53Z)

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。