論文の概要: Domain Adaptation for Time Series Under Feature and Label Shifts

• arxiv url: http://arxiv.org/abs/2302.03133v2
• Date: Mon, 19 Jun 2023 03:53:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-22 04:02:08.034019
• Title: Domain Adaptation for Time Series Under Feature and Label Shifts
• Title（参考訳）: 特徴とラベルシフトを考慮した時系列の領域適応
• Authors: Huan He, Owen Queen, Teddy Koker, Consuelo Cuevas, Theodoros Tsiligkaridis, Marinka Zitnik
• Abstract要約: 複素時系列上の閉集合および普遍領域適応のための最初のモデルであるRaincoatを提案する。 レインコートは、時間的特徴と周波数的特徴の両方を考慮することで特徴とラベルのシフトに対処し、それらをドメイン間で整列させ、ミスアライメントを修正する。 5つのデータセットと13の最先端のUDA手法による実験により、Raincoatは最大16.33%の転送学習性能を向上できることが示された。
• 参考スコア（独自算出の注目度）: 15.485806414214547
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Unsupervised domain adaptation (UDA) enables the transfer of models trained on source domains to unlabeled target domains. However, transferring complex time series models presents challenges due to the dynamic temporal structure variations across domains. This leads to feature shifts in the time and frequency representations. Additionally, the label distributions of tasks in the source and target domains can differ significantly, posing difficulties in addressing label shifts and recognizing labels unique to the target domain. Effectively transferring complex time series models remains a formidable problem. We present Raincoat, the first model for both closed-set and universal domain adaptation on complex time series. Raincoat addresses feature and label shifts by considering both temporal and frequency features, aligning them across domains, and correcting for misalignments to facilitate the detection of private labels. Additionally, Raincoat improves transferability by identifying label shifts in target domains. Our experiments with 5 datasets and 13 state-of-the-art UDA methods demonstrate that Raincoat can improve transfer learning performance by up to 16.33% and can handle both closed-set and universal domain adaptation.
• Abstract（参考訳）: unsupervised domain adaptation(uda)は、ソースドメインでトレーニングされたモデルをラベルなしのターゲットドメインに転送可能にする。 しかし、複雑な時系列モデルを転送することは、ドメイン間の動的時間構造の変化による課題をもたらす。 これは時間と周波数の表現に特徴的変化をもたらす。 さらに、ソースドメインとターゲットドメインにおけるタスクのラベル分布は著しく異なり、ラベルシフトの対処や、ターゲットドメイン特有のラベルの認識が困難になる。 複雑な時系列モデルを効果的に転送することは恐ろしい問題である。 複素時系列上の閉集合および普遍領域適応のための最初のモデルであるRaincoatを提案する。 raincoatは、時間的特徴と頻度的特徴の両方を考慮し、ドメインをまたいでそれらを調整し、プライベートラベルの検出を容易にするために誤用を訂正することで、特徴とラベルのシフトに対処する。 さらにRaincoatは、ターゲットドメインのラベルシフトを識別することで、転送性を向上させる。 5つのデータセットと13の最先端UDA手法による実験により、Raincoatは最大16.33%の転送学習性能を向上でき、クローズドセットとユニバーサルドメイン適応の両方を処理可能であることが示された。

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)
• Disentangling Masked Autoencoders for Unsupervised Domain Generalization [57.56744870106124]
  教師なしの領域一般化は急速に注目されているが、まだ十分に研究されていない。 Disentangled Masked Auto (DisMAE) は、本質的な特徴を忠実に示す不整合表現を発見することを目的としている。 DisMAEは、セマンティックで軽量な変分エンコーダを備えた非対称なデュアルブランチアーキテクチャを共同で訓練する。
  論文  参考訳（メタデータ） (2024-07-10T11:11:36Z)
• Inter-Domain Mixup for Semi-Supervised Domain Adaptation [108.40945109477886]
  半教師付きドメイン適応(SSDA)は、ソースとターゲットのドメイン分布をブリッジすることを目的としており、少数のターゲットラベルが利用可能である。 既存のSSDAの作業は、ソースドメインとターゲットドメインの両方からラベル情報をフル活用して、ドメイン間の機能アライメントに失敗する。 本稿では,新しいSSDA手法であるIDMNE(Inter-domain Mixup with Neighborhood Expansion)を提案する。
  論文  参考訳（メタデータ） (2024-01-21T10:20:46Z)
• 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)
• 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)
• Domain Adaptive SiamRPN++ for Object Tracking in the Wild [10.61438063305309]
  我々は、トラッカーのクロスドメイン転送性とロバスト性を改善するために、Domain Adaptive SiamRPN++を導入する。 A-距離理論に着想を得て,Pixel Domain Adaptation (PDA) と Semantic Domain Adaptation (SDA) の2つのドメイン適応モジュールを提案する。 PDAモジュールはテンプレートと検索領域の画像の特徴マップを整列し、ピクセルレベルのドメインシフトを排除する。 SDAモジュールは、セマンティックレベルのドメインシフトを排除するために、トラッキングターゲットの外観の特徴表現を整列する。
  論文  参考訳（メタデータ） (2021-06-15T03:40:53Z)
• 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)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) 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へ知識を転送することを目的としている。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)
• Select, Label, and Mix: Learning Discriminative Invariant Feature Representations for Partial Domain Adaptation [55.73722120043086]
  部分領域適応のための識別的不変特徴表現を学習するための「選択、ラベル、混合(SLM)」フレームワークを開発した。 まず, 正の移動を避けるために, 外部からのサンプルを自動的にフィルタする, 単純で効率的な「選択」モジュールを提案する。 次に、「ラベル」モジュールは、ラベル付きソースドメインデータと生成されたターゲットドメインの擬似ラベルの両方を用いて分類器を反復的に訓練し、潜在空間の識別性を高める。
  論文  参考訳（メタデータ） (2020-12-06T19:29:32Z)

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。