論文の概要: TransPL: VQ-Code Transition Matrices for Pseudo-Labeling of Time Series Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2505.09955v1
• Date: Thu, 15 May 2025 04:27:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.183721
• Title: TransPL: VQ-Code Transition Matrices for Pseudo-Labeling of Time Series Unsupervised Domain Adaptation
• Title（参考訳）: TransPL: 時系列非教師付きドメイン適応の擬似ラベル化のためのVQ-Code遷移行列
• Authors: Jaeho Kim, Seulki Lee,
• Abstract要約: 時系列データに対する教師なし領域適応(UDA)は、ディープラーニングにおいて重要な課題である。 本稿では,これらの制約に対処する新しいアプローチであるTransPLを紹介し,ソースドメインの$P(mathbfX, y)$をモデル化する。 提案手法は、ソースドメインからクラスおよびチャネルのコード遷移行列を構築し、チャネルの重み付けされたクラス条件の確率に基づいて擬似ラベルを生成する。
• 参考スコア（独自算出の注目度）: 0.795057619233231
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised domain adaptation (UDA) for time series data remains a critical challenge in deep learning, with traditional pseudo-labeling strategies failing to capture temporal patterns and channel-wise shifts between domains, producing sub-optimal pseudo-labels. As such, we introduce TransPL, a novel approach that addresses these limitations by modeling the joint distribution $P(\mathbf{X}, y)$ of the source domain through code transition matrices, where the codes are derived from vector quantization (VQ) of time series patches. Our method constructs class- and channel-wise code transition matrices from the source domain and employs Bayes' rule for target domain adaptation, generating pseudo-labels based on channel-wise weighted class-conditional likelihoods. TransPL offers three key advantages: explicit modeling of temporal transitions and channel-wise shifts between different domains, versatility towards different UDA scenarios (e.g., weakly-supervised UDA), and explainable pseudo-label generation. We validate TransPL's effectiveness through extensive analysis on four time series UDA benchmarks and confirm that it consistently outperforms state-of-the-art pseudo-labeling methods by a strong margin (6.1% accuracy improvement, 4.9% F1 improvement), while providing interpretable insights into the domain adaptation process through its learned code transition matrices.
• Abstract（参考訳）: 時系列データに対する教師なしドメイン適応(UDA)は、従来の擬似ラベル戦略では時間的パターンの捕捉に失敗し、準最適擬似ラベルを生成するため、深層学習において重要な課題である。 このような制約に対処する新しいアプローチであるTransPLを導入し、コード遷移行列を通じてソースドメインの$P(\mathbf{X}, y)$をモデル化し、時系列パッチのベクトル量子化(VQ)からコードを生成する。 提案手法は、ソースドメインからクラスおよびチャネルのコード遷移行列を構築し、ターゲットドメイン適応にベイズの規則を適用し、チャネルの重み付けされたクラス条件の確率に基づいて擬似ラベルを生成する。 TransPLには3つの大きな利点がある: 時間的遷移の明示的なモデリングと異なるドメイン間のチャネルワイズシフト、異なるUDAシナリオ(例えば、弱い教師付きUDA)への汎用性、説明可能な擬似ラベル生成である。 我々は,4つの時系列 UDA ベンチマークの広範な解析を通じて TransPL の有効性を検証するとともに,その学習コード遷移行列によるドメイン適応プロセスの解釈的洞察を提供しながら,最先端の擬似ラベル手法を強いマージン(6.1%の精度改善、4.9%のF1改善)で一貫して上回っていることを確認した。

関連論文リスト

• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• Domain Adaptation for Time Series Under Feature and Label Shifts [15.485806414214547]
  複素時系列上の閉集合および普遍領域適応のための最初のモデルであるRaincoatを提案する。 レインコートは、時間的特徴と周波数的特徴の両方を考慮することで特徴とラベルのシフトに対処し、それらをドメイン間で整列させ、ミスアライメントを修正する。 5つのデータセットと13の最先端のUDA手法による実験により、Raincoatは最大16.33%の転送学習性能を向上できることが示された。
  論文  参考訳（メタデータ） (2023-02-06T21:46:19Z)
• QuadFormer: Quadruple Transformer for Unsupervised Domain Adaptation in Power Line Segmentation of Aerial Images [12.840195641761323]
  ドメイン適応型セマンティックセグメンテーションのための新しいフレームワークを提案する。 階層的な四重変圧器は、伝達可能なコンテキストに適応するために、クロスアテンションと自己アテンションのメカニズムを組み合わせる。 ARPLSynとARPLRealの2つのデータセットを提示し、教師なし領域適応電力線分割の研究をさらに進める。
  論文  参考訳（メタデータ） (2022-11-29T03:15:27Z)
• Amplitude Spectrum Transformation for Open Compound Domain Adaptive Semantic Segmentation [62.68759523116924]
  オープン化合物ドメイン適応(OCDA)は、実用的な適応セットとして現れている。 我々は、新しい特徴空間振幅スペクトル変換(AST)を提案する。
  論文  参考訳（メタデータ） (2022-02-09T05:40:34Z)
• CDTrans: Cross-domain Transformer for Unsupervised Domain Adaptation [44.06904757181245]
  Unsupervised domain adapt (UDA) は、ラベル付きソースドメインから異なるラベル付きターゲットドメインに学習した知識を転送することを目的としている。 カテゴリレベルに基づくUDAの根本的な問題は、ターゲットドメインのサンプル用の擬似ラベルの生成である。 我々は,対象サンプルの擬似ラベルを生成するために,双方向中心認識ラベルアルゴリズムを設計する。 擬似ラベルとともに、ソース/ターゲット特徴学習とソース/ターゲット領域アライメントに自己アテンションとクロスアテンションを適用するために、ウェイトシェアリング・トリプルブランチ・トランスフォーマー・フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-13T17:59:07Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Your Classifier can Secretly Suffice Multi-Source Domain Adaptation [72.47706604261992]
  マルチソースドメイン適応(MSDA)は、複数の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タスク知識の転送を扱う。 ラベル管理下のドメインを暗黙的に整列させる深層モデルが観察されるMSDAに対して、異なる視点を提示する。
  論文  参考訳（メタデータ） (2021-03-20T12:44:13Z)
• Cycle Self-Training for Domain Adaptation [85.14659717421533]
  Cycle Self-Training (CST) は、ドメイン間の一般化に擬似ラベルを強制する、原則付き自己学習アルゴリズムである。 CSTは目標の真理を回復し、不変の機能学習とバニラ自己訓練の両方が失敗する。 実験結果から,標準的なUDAベンチマークでは,CSTは先行技術よりも大幅に改善されていることが示唆された。
  論文  参考訳（メタデータ） (2021-03-05T10:04:25Z)
• Deep Adversarial Transition Learning using Cross-Grafted Generative Stacks [3.756448228784421]
  本稿では,ドメインギャップを埋める新たなDATL(Deep Adversarial transition Learning)フレームワークを提案する。 2つの領域に対して可変オートエンコーダ(VAE)を構築し、VAEのデコーダスタックをクロスグラフすることで双方向遷移を形成する。 生成敵対ネットワーク(GAN)は、対象ドメインデータをソースドメインの既知のラベル空間にマッピングするドメイン適応に使用される。
  論文  参考訳（メタデータ） (2020-09-25T04:25:27Z)

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。