論文の概要: Temporal Source Recovery for Time-Series Source-Free Unsupervised Domain Adaptation
- arxiv url: http://arxiv.org/abs/2409.19635v1
- Date: Sun, 29 Sep 2024 09:46:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-01 22:06:14.265671
- Title: Temporal Source Recovery for Time-Series Source-Free Unsupervised Domain Adaptation
- Title(参考訳): 時系列非教師なし領域適応のための時間的ソース復元
- Authors: Yucheng Wang, Peiliang Gong, Min Wu, Felix Ott, Xiaoli Li, Lihua Xie, Zhenghua Chen,
- Abstract要約: テンポラルソースリカバリ(TemSR)は、ソース固有の設計を必要とせずに、効率的な時系列SFUDAの時間依存性を転送するフレームワークである。
TemSRは、マスキング、リカバリ、最適化を活用して、ソース時間依存性を回復したソース風のディストリビューションを生成するリカバリプロセスを備えている。
複数のTSタスクにまたがる実験は、ソースドメイン設計を必要とする既存のTS-SFUDAメソッドを超越したTemSRの有効性を示す。
- 参考スコア(独自算出の注目度): 36.437455399143246
- License:
- Abstract: Source-Free Unsupervised Domain Adaptation (SFUDA) has gained popularity for its ability to adapt pretrained models to target domains without accessing source domains, ensuring source data privacy. While SFUDA is well-developed in visual tasks, its application to Time-Series SFUDA (TS-SFUDA) remains limited due to the challenge of transferring crucial temporal dependencies across domains. Although a few researchers begin to explore this area, they rely on specific source domain designs, which are impractical as source data owners cannot be expected to follow particular pretraining protocols. To solve this, we propose Temporal Source Recovery (TemSR), a framework that transfers temporal dependencies for effective TS-SFUDA without requiring source-specific designs. TemSR features a recovery process that leverages masking, recovery, and optimization to generate a source-like distribution with recovered source temporal dependencies. To ensure effective recovery, we further design segment-based regularization to restore local dependencies and anchor-based recovery diversity maximization to enhance the diversity of the source-like distribution. The source-like distribution is then adapted to the target domain using traditional UDA techniques. Extensive experiments across multiple TS tasks demonstrate the effectiveness of TemSR, even surpassing existing TS-SFUDA method that requires source domain designs. Code is available in https://github.com/Frank-Wang-oss/TemSR.
- Abstract(参考訳): Source-Free Unsupervised Domain Adaptation (SFUDA)は、ソースドメインにアクセスすることなく、トレーニング済みモデルをターゲットドメインに適応し、ソースデータのプライバシを確保する能力で人気を集めている。
SFUDAは視覚的なタスクでよく開発されているが、ドメイン間で重要な時間的依存関係を転送することの難しさから、時系列SFUDA(TS-SFUDA)への応用は制限されている。
少数の研究者がこの領域を探求し始めたが、特定のソースドメイン設計に依存しており、ソースデータ所有者は特定の事前学習プロトコルに従うことが期待できないため、現実的ではない。
そこで本稿では,効率的なTS-SFUDAの時間依存性をソース固有の設計を必要とせずに転送するフレームワークであるTemSRを提案する。
TemSRは、マスキング、リカバリ、最適化を活用して、ソース時間依存性を回復したソース風のディストリビューションを生成するリカバリプロセスを備えている。
効率的な回復を確保するため,局所的な依存関係を復元するためのセグメントベース正規化と,ソースライクな分布の多様性を高めるためにアンカーベースリカバリの多様性の最大化を更に設計する。
ソースライクな分布は、従来のUDA技術を使用してターゲットドメインに適合する。
複数のTSタスクにわたる大規模な実験は、ソースドメイン設計を必要とする既存のTS-SFUDAメソッドを超越したTemSRの有効性を示す。
コードはhttps://github.com/Frank-Wang-oss/TemSRで入手できる。
関連論文リスト
- Evidentially Calibrated Source-Free Time-Series Domain Adaptation with Temporal Imputation [38.88779207555418]
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で事前訓練されたモデルを、ソースデータにアクセスせずにラベルなしのターゲットドメインに適応することを目的としている。
本稿では, 時系列SFDAの新規かつ効果的なアプローチであるMAsk And imPUte(MAPU)を提案する。
ソフトマックス予測に固有の過信問題に対処するために、明らかな不確実性推定を取り入れたE-MAPUも導入する。
論文 参考訳(メタデータ) (2024-06-04T05:36:29Z) - Source-Free Domain Adaptation with Temporal Imputation for Time Series
Data [19.616201184995532]
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。
論文 参考訳(メタデータ) (2023-07-14T14:22:03Z) - Continual Source-Free Unsupervised Domain Adaptation [37.060694803551534]
既存のソースフリーのUnsupervised Domain Adaptationアプローチは破滅的な忘れを見せる。
本稿では,SuDAの継続的な学習環境における課題に対応するための連続的なSUDA(C-SUDA)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-04-14T20:11:05Z) - CoSDA: Continual Source-Free Domain Adaptation [78.47274343972904]
ソースデータにアクセスせずに、ソースフリードメイン適応(SFDA)は、ソースドメインのトレーニングされたモデルからターゲットドメインに知識を転送する。
最近では、ソースドメインのデータプライバシ保護の必要性から、SFDAの人気が高まっている。
教師-学生モデルペアを2倍高速に最適化し,整合性学習機能を備えた,CoSDAという連続的ソースフリードメイン適応手法を提案する。
論文 参考訳(メタデータ) (2023-04-13T15:53:23Z) - 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) - Balancing Discriminability and Transferability for Source-Free Domain
Adaptation [55.143687986324935]
従来のドメイン適応(DA)技術は、ドメイン不変表現を学習することでドメイン転送性を改善することを目的としている。
ラベル付けされたソースとラベル付けされていないターゲットへの同時アクセス要件は、ソースフリーなDA設定に適さない。
そこで本研究では,原文と翻訳サンプルの混在が識別可能性と伝達可能性のトレードオフを促進することを示す新しい知見を導出する。
論文 参考訳(メタデータ) (2022-06-16T09:06:22Z) - 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) - Automatic Online Multi-Source Domain Adaptation [15.475463516901936]
本稿では,マルチソースストリーミングプロセスにおけるオンラインドメイン適応手法,すなわち自動オンラインマルチソースドメイン適応(AOMSDA)を提案する。
AOMSDAは8例中5例で勝っていることが示された。
論文 参考訳(メタデータ) (2021-09-05T05:07:16Z) - Universal Source-Free Domain Adaptation [57.37520645827318]
ドメイン適応のための新しい2段階学習プロセスを提案する。
Procurementの段階では、今後のカテゴリギャップやドメインシフトに関する事前知識を前提とせず、将来的なソースフリーデプロイメントのためのモデルの提供を目標としています。
Deploymentの段階では、幅広いカテゴリギャップをまたいで動作可能な統一適応アルゴリズムを設計することを目的としている。
論文 参考訳(メタデータ) (2020-04-09T07:26:20Z)
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。