論文の概要: Time and Frequency Synergy for Source-Free Time-Series Domain Adaptations
- arxiv url: http://arxiv.org/abs/2410.17511v1
- Date: Wed, 23 Oct 2024 02:29:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-24 13:56:56.177521
- Title: Time and Frequency Synergy for Source-Free Time-Series Domain Adaptations
- Title(参考訳): ソースフリーな時系列領域適応のための時間と周波数のシナジー
- Authors: Muhammad Tanzil Furqon, Mahardhika Pratama, Ary Mazharuddin Shiddiqi, Lin Liu, Habibullah Habibullah, Kutluyil Dogancay,
- Abstract要約: 本稿では、ソースフリーな時系列領域適応問題に対処するための時間周波数領域適応(TFDA)を提案する。
TFDAは、最終予測を行う際に時間と周波数の両方の特徴を完全に活用した二重分岐ネットワーク構造で開発されている。
- 参考スコア(独自算出の注目度): 13.206527803092817
- License:
- Abstract: The issue of source-free time-series domain adaptations still gains scarce research attentions. On the other hand, existing approaches rely solely on time-domain features ignoring frequency components providing complementary information. This paper proposes Time Frequency Domain Adaptation (TFDA), a method to cope with the source-free time-series domain adaptation problems. TFDA is developed with a dual branch network structure fully utilizing both time and frequency features in delivering final predictions. It induces pseudo-labels based on a neighborhood concept where predictions of a sample group are aggregated to generate reliable pseudo labels. The concept of contrastive learning is carried out in both time and frequency domains with pseudo label information and a negative pair exclusion strategy to make valid neighborhood assumptions. In addition, the time-frequency consistency technique is proposed using the self-distillation strategy while the uncertainty reduction strategy is implemented to alleviate uncertainties due to the domain shift problem. Last but not least, the curriculum learning strategy is integrated to combat noisy pseudo labels. Our experiments demonstrate the advantage of our approach over prior arts with noticeable margins in benchmark problems.
- Abstract(参考訳): ソースフリーの時系列ドメイン適応の問題はまだ研究の注目を集めていない。
一方、既存のアプローチは、補完情報を提供する周波数成分を無視した時間領域機能のみに依存している。
本稿では、ソースフリーな時系列領域適応問題に対処するTFDA(Time Frequency Domain Adaptation)を提案する。
TFDAは、最終予測を行う際に時間と周波数の両方の特徴を完全に活用した二重分岐ネットワーク構造で開発されている。
サンプルグループの予測を集約して信頼できる擬似ラベルを生成する地区概念に基づいて擬似ラベルを誘導する。
相関学習の概念は、擬似ラベル情報と負対排除戦略を用いて時間と周波数の両方の領域で実行され、有効な近傍仮定が作成される。
さらに, ドメインシフト問題による不確実性を軽減するため, 不確実性低減戦略を実装しつつ, 自己蒸留戦略を用いて時間周波数整合性手法を提案する。
最後に、カリキュラム学習戦略は、ノイズの多い擬似ラベルと戦うために統合されている。
我々の実験は、ベンチマーク問題において顕著なマージンを持つ先行技術に対する我々のアプローチの利点を実証している。
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) - 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) - 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) - 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) - Action Quality Assessment with Temporal Parsing Transformer [84.1272079121699]
行動品質評価(AQA)は、作業の理解と解決に重要である。
本稿では,時間的部分表現に包括的特徴を分解する時間的パーシング変換器を提案する。
提案手法は,3つの公開AQAベンチマークにおける先行研究よりもかなりのマージンで優れていた。
論文 参考訳(メタデータ) (2022-07-19T13:29:05Z) - 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) - Stream-based Active Learning with Verification Latency in Non-stationary
Environments [6.883906273999368]
本研究では, 有限, 時間可変, 未知の検証遅延が, 概念ドリフトの有無がALアプローチに与える影響について検討する。
PRopagateは、要求されたがまだ知られていないラベルを予測する遅延独立ユーティリティ推定器である。
提案手法が常に最先端の手法よりも優れていることを実証的に示す。
論文 参考訳(メタデータ) (2022-04-14T08:51:15Z) - 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) - Post-Contextual-Bandit Inference [57.88785630755165]
コンテキストバンディットアルゴリズムは、電子商取引、医療、政策立案における非適応的なA/Bテストを置き換える傾向にある。
研究参加者の成果を改善することもでき、良い方針や最良の政策を特定できる可能性を高めることもできる。
研究の終盤における新規介入の信頼性推論を支援するため, 平均治療効果, サブグループ効果, あるいは新政策の価値について, 有効な信頼区間を構築したい。
論文 参考訳(メタデータ) (2021-06-01T12:01:51Z) - A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation [142.31610972922067]
この研究は、特にターゲットドメインのクラスラベルがソースドメインのサブセットである場合に、教師なしのドメイン適応問題に対処する。
本稿では,ドメイン逆境学習に基づく新しいドメイン適応手法 BA$3$US を提案し,BAA(Ba balanced Adversarial Alignment)とAUS(Adaptive Uncertainty Suppression)の2つの新しい手法を提案する。
複数のベンチマーク実験の結果、BA$3$USが部分的なドメイン適応タスクの最先端を超越していることが示されている。
論文 参考訳(メタデータ) (2020-03-05T11:37:06Z)
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。