論文の概要: Prompt-based Domain Discrimination for Multi-source Time Series Domain Adaptation

• arxiv url: http://arxiv.org/abs/2312.12276v1
• Date: Tue, 19 Dec 2023 15:57:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 15:06:29.472908
• Title: Prompt-based Domain Discrimination for Multi-source Time Series Domain Adaptation
• Title（参考訳）: 多元時系列適応のためのプロンプトベース領域識別
• Authors: Junxiang Wang, Guangji Bai, Wei Cheng, Zhengzhang Chen, Liang Zhao, and Haifeng Chen
• Abstract要約: 時系列ドメイン適応は、多様なアプリケーションにおいて、重要かつ複雑な課題である。 PONDは,マルチソース時系列ドメイン適応に特化して設計された,プロンプトに基づく新しいディープラーニングモデルである。 本稿では,メタデータ情報の忠実な学習を容易にするために,インスタンスレベルのプロンプトジェネレータと忠実度損失機構を提案する。
• 参考スコア（独自算出の注目度）: 40.197245493051526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series domain adaptation stands as a pivotal and intricate challenge with diverse applications, including but not limited to human activity recognition, sleep stage classification, and machine fault diagnosis. Despite the numerous domain adaptation techniques proposed to tackle this complex problem, their primary focus has been on the common representations of time series data. This concentration might inadvertently lead to the oversight of valuable domain-specific information originating from different source domains. To bridge this gap, we introduce POND, a novel prompt-based deep learning model designed explicitly for multi-source time series domain adaptation. POND is tailored to address significant challenges, notably: 1) The unavailability of a quantitative relationship between meta-data information and time series distributions, and 2) The dearth of exploration into extracting domain-specific meta-data information. In this paper, we present an instance-level prompt generator and a fidelity loss mechanism to facilitate the faithful learning of meta-data information. Additionally, we propose a domain discrimination technique to discern domain-specific meta-data information from multiple source domains. Our approach involves a simple yet effective meta-learning algorithm to optimize the objective efficiently. Furthermore, we augment the model's performance by incorporating the Mixture of Expert (MoE) technique. The efficacy and robustness of our proposed POND model are extensively validated through experiments across 50 scenarios encompassing five datasets, which demonstrates that our proposed POND model outperforms the state-of-the-art methods by up to $66\%$ on the F1-score.
• Abstract（参考訳）: 時系列領域適応(time series domain adaptation)は、人間の活動認識、睡眠ステージ分類、機械障害診断など、さまざまな応用において重要かつ複雑な課題である。 この複雑な問題に対処するために提案された多くのドメイン適応手法にもかかわらず、その主な焦点は時系列データの共通表現である。 この濃度は、必然的に異なるソースドメインに由来する価値あるドメイン固有情報の監視につながる可能性がある。 このギャップを埋めるために,マルチソース時系列ドメイン適応のために設計された新しいプロンプトベースのディープラーニングモデルであるPONDを導入する。 PONDは、特に重要な課題に対処するように調整されています。 1)メタデータ情報と時系列分布の定量的関係の不有効性 2)ドメイン固有のメタデータ情報抽出への探究の要点。 本稿では,メタデータ情報の忠実な学習を容易にするために,インスタンスレベルのプロンプト生成器と忠実度損失機構を提案する。 さらに、複数のソースドメインからドメイン固有のメタデータ情報を識別するドメイン識別手法を提案する。 提案手法は,目的を効率的に最適化する簡易かつ効果的なメタラーニングアルゴリズムを含む。 さらに,Mixture of Expert (MoE) 技術を組み込むことで,モデルの性能を向上させる。 提案したPONDモデルの有効性とロバスト性は、5つのデータセットを含む50のシナリオにまたがる実験を通じて広く検証され、提案したPONDモデルはF1スコア上で6,6\%以上の最先端手法よりも優れていることを示す。

関連論文リスト

• Role Prompting Guided Domain Adaptation with General Capability Preserve for Large Language Models [55.51408151807268]
  特定のドメインに合わせると、LLM(Large Language Models)は破滅的な忘れを経験する傾向がある。 同時に複数のドメインのための汎用モデルを構築することで、全体的なパフォーマンスが低下することが多い。 RolE Prompting Guided Multi-Domain Adaptation (REGA) 戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-05T08:22:41Z)
• DPOD: Domain-Specific Prompt Tuning for Multimodal Fake News Detection [15.599951180606947]
  文脈外画像を用いたフェイクニュースが広まり、情報過負荷の時代における問題となっている。 ドメイン外データが、所望のドメインのコンテキスト外誤情報検出を改善するのに役立つかどうかを検討する。 DPOD (Domain-specific Prompt-tuning using Out-of-Domain data) と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-27T08:49:26Z)
• 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)
• TAL: Two-stream Adaptive Learning for Generalizable Person Re-identification [115.31432027711202]
  我々は、ドメイン固有性とドメイン不変性の両方が、re-idモデルの一般化能力の向上に不可欠であると主張する。 これら2種類の情報を同時にモデル化するために,2ストリーム適応学習 (TAL) を命名した。 我々のフレームワークは、単一ソースとマルチソースの両方のドメイン一般化タスクに適用できる。
  論文  参考訳（メタデータ） (2021-11-29T01:27:42Z)
• Multi-Domain Spoken Language Understanding Using Domain- and Task-Aware Parameterization [78.93669377251396]
  音声言語理解は、各ドメインでトレーニングデータのセットが利用できる教師付き学習問題として対処されてきた。 既存の1つのアプローチは、ドメイン間の共同トレーニングに共有パラメータを使用して、マルチドメイン学習を行うことによって、この問題を解決する。 本稿では,ドメイン固有モデルパラメータとタスク固有モデルパラメータを用いて,この手法のパラメータ化を改善することを提案する。
  論文  参考訳（メタデータ） (2020-04-30T15:15:40Z)

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。