論文の概要: Match-And-Deform: Time Series Domain Adaptation through Optimal
Transport and Temporal Alignment
- arxiv url: http://arxiv.org/abs/2308.12686v2
- Date: Fri, 25 Aug 2023 09:12:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-28 11:11:37.422089
- Title: Match-And-Deform: Time Series Domain Adaptation through Optimal
Transport and Temporal Alignment
- Title(参考訳): Match-And-Deform:最適輸送と時間アライメントによる時系列領域適応
- Authors: Fran\c{c}ois Painblanc, Laetitia Chapel, Nicolas Courty, Chlo\'e
Friguet, Charlotte Pelletier, and Romain Tavenard
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 10.89671409446191
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While large volumes of unlabeled data are usually available, associated
labels are often scarce. The unsupervised domain adaptation problem aims at
exploiting labels from a source domain to classify data from a related, yet
different, target domain. When time series are at stake, new difficulties arise
as temporal shifts may appear in addition to the standard feature distribution
shift. In this paper, we introduce the Match-And-Deform (MAD) approach that
aims at finding correspondences between the source and target time series while
allowing temporal distortions. The associated optimization problem
simultaneously aligns the series thanks to an optimal transport loss and the
time stamps through dynamic time warping. When embedded into a deep neural
network, MAD helps learning new representations of time series that both align
the domains and maximize the discriminative power of the network. Empirical
studies on benchmark datasets and remote sensing data demonstrate that MAD
makes meaningful sample-to-sample pairing and time shift estimation, reaching
similar or better classification performance than state-of-the-art deep time
series domain adaptation strategies.
- Abstract(参考訳): ラベルのない大量のデータは通常利用可能であるが、関連するラベルは少ないことが多い。
教師なしのドメイン適応問題は、ソースドメインからラベルを利用して、関連するが異なるターゲットドメインからデータを分類することを目的としている。
時系列が懸かっていると、標準の特徴分布シフトに加えて時間シフトが現れるため、新たな困難が生じる。
本稿では,時間的歪みを許容しながら,音源と対象時系列の対応関係を見出すことを目的とした一致変形(mad)手法を提案する。
関連する最適化問題は、最適輸送損失と動的時間ワープによるタイムスタンプにより、シリーズを同時に調整する。
ディープニューラルネットワークに組み込むと、MADはドメインを整列させ、ネットワークの識別力を最大化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タイムシフト推定を行い、最先端のディープ時系列ドメイン適応戦略と同等または優れた分類性能に達することを示した。
関連論文リスト
- Dataset Condensation for Time Series Classification via Dual Domain
Matching [13.456233351160725]
本研究では,textittextbfTime textittextbfSeries textittextbfClassificationをDual Domain Matching経由で生成する新しいフレームワークであるtextittextbfCondensationを提案する。
提案するフレームワークは,時間領域と周波数領域の両方のサロゲート目的にマッチする凝縮データセットを生成することを目的としている。
論文 参考訳(メタデータ) (2024-03-12T02:05:06Z) - SMORE: Similarity-based Hyperdimensional Domain Adaptation for
Multi-Sensor Time Series Classification [17.052624039805856]
マルチセンサ時系列分類のための新しい資源効率ドメイン適応(DA)アルゴリズムであるSMOREを提案する。
SMOREは、最先端(SOTA)のDNNベースのDAアルゴリズムよりも平均1.98%高い精度で18.81倍高速トレーニングと4.63倍高速推論を実現している。
論文 参考訳(メタデータ) (2024-02-20T18:48:49Z) - TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [70.38241681764738]
時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。
本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
論文 参考訳(メタデータ) (2024-02-04T13:10:51Z) - 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) - FormerTime: Hierarchical Multi-Scale Representations for Multivariate
Time Series Classification [53.55504611255664]
formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。
1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
論文 参考訳(メタデータ) (2023-02-20T07:46:14Z) - Contrastive Domain Adaptation for Time-Series via Temporal Mixup [14.723714504015483]
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。
論文 参考訳(メタデータ) (2022-12-03T06:53:38Z) - HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。
本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。
本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-08-11T14:05:51Z) - Graph Attention Recurrent Neural Networks for Correlated Time Series
Forecasting -- Full version [16.22449727526222]
時間とともに複数のエンティティが相互に相互作用し、そのエンティティの時間変化状態が相関時間系列として表されるような設定を検討する。
相関時系列の正確な予測を可能にするために,グラフ注意再帰ニューラルネットワークを提案する。
大規模実世界の時系列データを用いた実験により,提案手法の有効性が示唆された。
論文 参考訳(メタデータ) (2021-03-19T12:15:37Z) - 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) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳(メタデータ) (2020-05-24T04:02:18Z)
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。