論文の概要: Universal Domain Adaptation Benchmark for Time Series Data Representation

• arxiv url: http://arxiv.org/abs/2505.17899v1
• Date: Fri, 23 May 2025 13:47:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:34.116833
• Title: Universal Domain Adaptation Benchmark for Time Series Data Representation
• Title（参考訳）: 時系列データ表現のためのユニバーサルドメイン適応ベンチマーク
• Authors: Romain Mussard, Fannia Pacheco, Maxime Berar, Gilles Gasso, Paul Honeine,
• Abstract要約: この作業は、UniDAフレームワークにおける最先端のTSバックボーンの包括的な実装と比較を提供する。 本稿では,各ドメイン間のロバスト性と一般化を評価するための信頼性の高いプロトコルを提案する。 以上の結果から, バックボーン選択がUniDA性能に与える影響が示唆された。
• 参考スコア（独自算出の注目度）: 8.877926274964251
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models have significantly improved the ability to detect novelties in time series (TS) data. This success is attributed to their strong representation capabilities. However, due to the inherent variability in TS data, these models often struggle with generalization and robustness. To address this, a common approach is to perform Unsupervised Domain Adaptation, particularly Universal Domain Adaptation (UniDA), to handle domain shifts and emerging novel classes. While extensively studied in computer vision, UniDA remains underexplored for TS data. This work provides a comprehensive implementation and comparison of state-of-the-art TS backbones in a UniDA framework. We propose a reliable protocol to evaluate their robustness and generalization across different domains. The goal is to provide practitioners with a framework that can be easily extended to incorporate future advancements in UniDA and TS architectures. Our results highlight the critical influence of backbone selection in UniDA performance and enable a robustness analysis across various datasets and architectures.
• Abstract（参考訳）: ディープラーニングモデルは、時系列データ(TS)における新規性を検出する能力を大幅に改善した。 この成功は、その強力な表現能力に起因している。 しかしながら、TSデータに固有の変動性のため、これらのモデルは一般化と堅牢性に苦慮することが多い。 これを解決するための一般的なアプローチは、UniDA(Universal Domain Adaptation)と呼ばれるUniversal Domain Adaptation(unsupervised Domain Adaptation)を実行することで、ドメインシフトや新しいクラスを扱うことである。 コンピュータビジョンで広く研究されているが、UniDAはTSデータについては未調査のままである。 この作業は、UniDAフレームワークにおける最先端のTSバックボーンの包括的な実装と比較を提供する。 本稿では,各ドメイン間のロバスト性と一般化を評価するための信頼性の高いプロトコルを提案する。 目標は、UniDAとTSアーキテクチャに将来の進歩を組み込むために容易に拡張できるフレームワークを実践者に提供することである。 本結果は, バックボーン選択がUniDA性能に与える影響を強調し, 各種データセットおよびアーキテクチャにおけるロバストネス解析を可能にする。

関連論文リスト

• A Study on Unsupervised Domain Adaptation for Semantic Segmentation in the Era of Vision-Language Models [1.2499537119440245]
  ドメインシフトは、ディープラーニングベースのコンピュータビジョンにおける大きな課題の1つです。 UDAメソッドは、そのドメインのラベルのないデータのみを使用することで、モデルを新しいターゲットドメインに適応させる。 最近の視覚言語モデルは、ドメイン適応を促進する強力な一般化能力を示している。 既存のUDAメソッドのエンコーダを視覚言語で事前学習したエンコーダに置き換えることで,大幅な性能向上が期待できることを示す。
  論文  参考訳（メタデータ） (2024-11-25T14:12:24Z)
• DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series [61.91288852233078]
  時系列異常検出では、ラベル付きデータの不足が正確なモデルの開発に困難をもたらす。 時系列における異常検出のための新しいドメインコントラスト学習モデル(DACAD)を提案する。 本モデルでは,ソース領域に対する教師付きコントラスト損失と,ターゲット領域に対する自己監督型コントラスト型3重項損失を用いる。
  論文  参考訳（メタデータ） (2024-04-17T11:20:14Z)
• Unified Domain Adaptive Semantic Segmentation [96.74199626935294]
  Unsupervised Adaptive Domain Semantic (UDA-SS)は、ラベル付きソースドメインからラベル付きターゲットドメインに監督を移すことを目的としている。 本稿では,特徴量と特徴量との相違に対処するQuad-directional Mixup(QuadMix)法を提案する。 提案手法は,4つの挑戦的UDA-SSベンチマークにおいて,最先端の成果を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2023-11-22T09:18:49Z)
• Universal Domain Adaptation for Robust Handling of Distributional Shifts in NLP [25.4952909342458]
  Universal Domain Adaptation (UniDA)はコンピュータビジョンの新しい研究領域として登場した。 本稿では,モデルの一般化可能性と堅牢性について,より詳細な視点を提供する自然言語のベンチマークを提案する。
  論文  参考訳（メタデータ） (2023-10-23T12:15:25Z)
• 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)
• Contrastive Learning for Unsupervised Domain Adaptation of Time Series [29.211602179219316]
  教師なしドメイン適応(UDA)は、ラベル付きソースドメインを使用して機械学習モデルを学習することを目的としている。 我々はCLUDAと呼ばれる時系列データのUDAのための新しいフレームワークを開発した。 本稿では,本フレームワークが時系列UDAの最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2022-06-13T15:23:31Z)
• Exploring Data Aggregation and Transformations to Generalize across Visual Domains [0.0]
  この論文は、ドメイン一般化(DG)、ドメイン適応(DA)およびそれらのバリエーションの研究に寄与する。 本稿では,機能集約戦略と視覚変換を利用するドメイン一般化とドメイン適応の新しいフレームワークを提案する。 提案手法が確立したDGおよびDAベンチマークにおいて,最先端の競争的アプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-20T14:58:14Z)
• VisDA-2021 Competition Universal Domain Adaptation to Improve Performance on Out-of-Distribution Data [64.91713686654805]
  Visual Domain Adaptation (VisDA) 2021コンペティションは、新しいテストディストリビューションに適応するモデルの能力をテストする。 我々は,新しい視点,背景,モダリティ,品質劣化への適応性を評価する。 厳密なプロトコルを使用してパフォーマンスを計測し、最先端のドメイン適応手法と比較する。
  論文  参考訳（メタデータ） (2021-07-23T03:21:51Z)
• Multi-Source Deep Domain Adaptation with Weak Supervision for Time-Series Sensor Data [31.43183992755392]
  時系列データ(CoDATS)のための新しい畳み込み深層ドメイン適応モデルを提案する。 第二に、ターゲットドメインラベル分布の形での弱監督を生かして、新しいドメイン適応型弱スーパービジョン(DA-WS)手法を提案する。 第3に、ドメイン適応と弱い監督手法の有効性を評価するために、多様な実世界のデータセットに関する包括的な実験を行う。
  論文  参考訳（メタデータ） (2020-05-22T04:16:58Z)

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。