論文の概要: Source-Free Domain Adaptation with Temporal Imputation for Time Series
Data
- arxiv url: http://arxiv.org/abs/2307.07542v1
- Date: Fri, 14 Jul 2023 14:22:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 19:17:27.899851
- Title: Source-Free Domain Adaptation with Temporal Imputation for Time Series
Data
- Title(参考訳): 時系列データに対する時間インプットを用いたソースフリー領域適応
- Authors: Mohamed Ragab, Emadeldeen Eldele, Min Wu, Chuan-Sheng Foo, Xiaoli Li,
and Zhenghua Chen
- Abstract要約: ソースフリードメイン適応(SFDA)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事前訓練されたモデルを、ソースドメインデータにアクセスすることなく適応することを目的としている。
視覚的応用が盛んであるにもかかわらず、SFDAは時系列アプリケーションではほとんど探索されていない。
本稿では,時系列データ,すなわちMAskとimPUteに対して,ソースフリーなドメイン適応をシンプルかつ効果的に行う手法を提案する。
- 参考スコア(独自算出の注目度): 19.616201184995532
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Source-free domain adaptation (SFDA) aims to adapt a pretrained model from a
labeled source domain to an unlabeled target domain without access to the
source domain data, preserving source domain privacy. Despite its prevalence in
visual applications, SFDA is largely unexplored in time series applications.
The existing SFDA methods that are mainly designed for visual applications may
fail to handle the temporal dynamics in time series, leading to impaired
adaptation performance. To address this challenge, this paper presents a simple
yet effective approach for source-free domain adaptation on time series data,
namely MAsk and imPUte (MAPU). First, to capture temporal information of the
source domain, our method performs random masking on the time series signals
while leveraging a novel temporal imputer to recover the original signal from a
masked version in the embedding space. Second, in the adaptation step, the
imputer network is leveraged to guide the target model to produce target
features that are temporally consistent with the source features. To this end,
our MAPU can explicitly account for temporal dependency during the adaptation
while avoiding the imputation in the noisy input space. Our method is the first
to handle temporal consistency in SFDA for time series data and can be
seamlessly equipped with other existing SFDA methods. Extensive experiments
conducted on three real-world time series datasets demonstrate that our MAPU
achieves significant performance gain over existing methods. Our code is
available at \url{https://github.com/mohamedr002/MAPU_SFDA_TS}.
- Abstract(参考訳): source-free domain adaptation (sfda) 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、ソースドメインデータにアクセスせずに事前訓練されたモデルを適用することを目的としている。
視覚的応用が盛んであるにもかかわらず、SFDAは時系列アプリケーションではほとんど探索されていない。
視覚アプリケーションのために主に設計された既存のsfdaメソッドは、時系列の時間的ダイナミクスを処理できず、適応性能を損なう可能性がある。
この課題に対処するため,本稿では,時系列データ,すなわち MAsk と imPUte (MAPU) のソースフリードメイン適応に対して,シンプルかつ効果的なアプローチを提案する。
まず、ソース領域の時間的情報をキャプチャするために、新しい時間的インプタを利用して埋め込み空間内のマスキングバージョンから元の信号を復元しながら、時系列信号のランダムマスキングを行う。
第2に、適応段階において、インプタネットワークを利用してターゲットモデルを誘導し、ソース特徴と時間的に整合したターゲット特徴を生成する。
この目的のために、MAPUはノイズ入力空間の計算を回避しつつ、適応中の時間依存性を明示的に説明することができる。
本手法は,時系列データに対するsfdaの時間的一貫性を初めて処理し,既存のsfda手法をシームレスに組み込むことができる。
3つの実世界の時系列データセットで行った大規模な実験により、MAPUは既存の手法よりも大きな性能向上を達成できた。
私たちのコードは \url{https://github.com/mohamedr002/MAPU_SFDA_TS} で利用可能です。
関連論文リスト
- Transcending Domains through Text-to-Image Diffusion: A Source-Free
Approach to Domain Adaptation [6.649910168731417]
ドメイン適応(ドメイン適応、Domain Adaptation、DA)は、アノテートデータが不十分なターゲットドメインにおけるモデルの性能を高める方法である。
本研究では,対象領域のサンプルに基づいてトレーニングしたテキスト・ツー・イメージ拡散モデルを用いて,ソースデータを生成する新しいSFDAフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-02T23:38:17Z) - 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) - 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) - Spatio-Temporal Pixel-Level Contrastive Learning-based Source-Free
Domain Adaptation for Video Semantic Segmentation [117.39092621796753]
Source Domain Adaptation(SFDA)セットアップは、ソースデータにアクセスすることなく、ターゲットドメインにソーストレーニングされたモデルを適用することを目的としている。
情報源データの欠如に対処するために,時間情報の相関を最大限に活用する新しい手法を提案する。
実験によると、PixelLは現在のUDAやFDAのアプローチと比較して、ベンチマークの非最先端のパフォーマンスを実現している。
論文 参考訳(メタデータ) (2023-03-25T05:06:23Z) - MAPS: A Noise-Robust Progressive Learning Approach for Source-Free
Domain Adaptive Keypoint Detection [76.97324120775475]
クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。
本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
論文 参考訳(メタデータ) (2023-02-09T12:06:08Z) - Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。
近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。
本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
論文 参考訳(メタデータ) (2022-04-24T12:22:19Z) - Continual Test-Time Domain Adaptation [94.51284735268597]
テスト時ドメイン適応は、ソースデータを使用しずに、ソース事前訓練されたモデルをターゲットドメインに適応することを目的としている。
CoTTAは実装が容易で、市販の事前訓練モデルに簡単に組み込むことができる。
論文 参考訳(メタデータ) (2022-03-25T11:42:02Z) - Learning Temporal Consistency for Source-Free Video Domain Adaptation [16.230405375192262]
実世界のアプリケーションでは、ソースビデオ領域の主題とシーンは、対象のビデオ領域の主題と無関係であるべきである。
このような問題に対処するため、より実用的なドメイン適応シナリオを、SFVDA(Source-Free Video-based Domain Adaptation)として定式化している。
本稿では,時間的一貫性を学習してSFVDAに対処するための新しい注意時間一貫性ネットワーク(ATCoN)を提案する。
論文 参考訳(メタデータ) (2022-03-09T07:33:36Z) - 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) - Source-Free Adaptation to Measurement Shift via Bottom-Up Feature
Restoration [6.9871848733878155]
ソースフリードメイン適応(Source-free domain adapt, SFDA)は、ソースドメイン内のラベル付きデータに基づいてトレーニングされたモデルを、適応中にソースドメインデータにアクセスすることなく、ターゲットドメイン内の非ラベル付きデータに適応することを目的としている。
提案する特徴回復(FR)は,従来ソースから抽出されていた対象ドメインから,同じ意味を持つ特徴を抽出しようとするものである。
さらに,ネットワークの後半層における学習構造を保存することにより,パフォーマンスを向上させるためのボトムアップ・フィーチャー・リストア(BUFR)を提案する。
論文 参考訳(メタデータ) (2021-07-12T14:21:14Z) - Do We Really Need to Access the Source Data? Source Hypothesis Transfer
for Unsupervised Domain Adaptation [102.67010690592011]
Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。
従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。
この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
論文 参考訳(メタデータ) (2020-02-20T03:13:58Z)
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。