論文の概要: Temporal Source Recovery for Time-Series Source-Free Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2409.19635v2
• Date: Sat, 04 Oct 2025 01:56:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:58.325186
• 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: 時系列データ(TS)は、センサーのようなモノのインターネット(Internet of Things)デバイスが台頭するにつれて重要になってきていますが、そのラベル付けは高価で複雑です。 本稿では、TSデータ固有の特性を利用してソースライクなドメインを生成するフレームワークであるTemSRを提案する。
• 参考スコア（独自算出の注目度）: 41.48588535512983
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-Series (TS) data has grown in importance with the rise of Internet of Things devices like sensors, but its labeling remains costly and complex. While Unsupervised Domain Adaptation (UDAs) offers an effective solution, growing data privacy concerns have led to the development of Source-Free UDA (SFUDAs), enabling model adaptation to target domains without accessing source data. Despite their potential, applying existing SFUDAs to TS data is challenging due to the difficulty of transferring temporal dependencies, an essential characteristic of TS data, particularly in the absence of source samples. Although prior works attempt to address this by specific source pretraining designs, such requirements are often impractical, as source data owners cannot be expected to adhere to particular pretraining schemes. To address this, we propose Temporal Source Recovery (TemSR), a framework that leverages the intrinsic properties of TS data to generate a source-like domain and recover source temporal dependencies. With this domain, TemSR enables dependency transfer to the target domain without accessing source data or relying on source-specific designs, thereby facilitating effective and practical TS-SFUDA. TemSR features a masking recovery optimization process to generate a source-like distribution with restored temporal dependencies. This distribution is further refined through local context-aware regularization to preserve local dependencies, and anchor-based recovery diversity maximization to promote distributional diversity. Together, these components enable effective temporal dependency recovery and facilitate transfer across domains using standard UDA techniques. Extensive experiments across multiple TS tasks demonstrate the effectiveness of TemSR, which even surpasses existing TS-SFUDA methods that require source-specific designs.
• Abstract（参考訳）: 時系列データ(TS)は、センサーのようなモノのインターネット(Internet of Things)デバイスが台頭するにつれて重要になってきていますが、そのラベル付けは高価で複雑です。 Unsupervised Domain Adaptation (UDA) は効果的なソリューションを提供するが、データプライバシの懸念が高まり、Source-Free UDA (SFUDA) の開発につながっている。 これらの可能性にもかかわらず、既存のSFUDAをTSデータに適用することは、特にソースサンプルの欠如において、TSデータの本質的な特性である時間的依存関係の転送が困難であるために困難である。 事前の作業は、特定のソース事前訓練設計によってこの問題に対処しようとするが、ソースデータ所有者が特定の事前訓練スキームに従うことを期待できないため、そのような要件はしばしば実用的ではない。 そこで本稿では,TSデータ固有の特性を活用してソースライクなドメインを生成し,ソースの時間依存性を回復するフレームワークであるTemSRを提案する。 このドメインにより、TemSRはソースデータにアクセスしたり、ソース固有の設計に依存することなく、ターゲットドメインへの依存性転送を可能にし、効果的で実用的なTS-SFUDAを容易にする。 TemSRは、一時的依存関係を復元したソースライクな分布を生成するために、マスキングリカバリ最適化プロセスを備えている。 この分布は、局所的依存を保存するために局所的文脈認識の正規化と、分布の多様性を促進するためにアンカーベースリカバリの多様性の最大化によってさらに洗練される。 これらのコンポーネントは共に、効果的な時間依存性の回復を可能にし、標準 UDA 技術を使用してドメイン間の転送を容易にする。 複数のTSタスクにわたる大規模な実験は、ソース固有の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。

関連論文リスト

• Temporal Restoration and Spatial Rewiring for Source-Free Multivariate Time Series Domain Adaptation [33.4020332674136]
  Source-Free Domain Adaptation (SFDA)は、アノテートされたソースドメインから、ソースデータにアクセスすることなく、未実装のターゲットドメインに事前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。 MTSデータに適した新規かつ簡潔なSFDA法であるTERSE(Temporal Restoration and Space Rewiring)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T11:44:13Z)
• Progressive Multi-Source Domain Adaptation for Personalized Facial Expression Recognition [51.61979855488214]
  パーソナライズされた表情認識(FER)では、ラベル付きソースとラベルなしターゲットドメインのサンプルを使用して機械学習モデルを適用する。 本稿では,対象者との類似性に基づいて,段階的なMSDA手法を提案する。 実験の結果,痛覚データセットに対する提案手法の有効性が示された: Biovid と UNBC-McMaster。
  論文  参考訳（メタデータ） (2025-04-05T19:14:51Z)
• 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。