論文の概要: CPDA: Class-Conditional Path Distribution Alignment for Unsupervised Time-Series Domain Adaptation

• arxiv url: http://arxiv.org/abs/2608.09193v1
• Date: Mon, 10 Aug 2026 07:05:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.121051
• Title: CPDA: Class-Conditional Path Distribution Alignment for Unsupervised Time-Series Domain Adaptation
• Title（参考訳）: CPDA:教師なし時間系列領域適応のためのクラス構成経路分布アライメント
• Abstract要約: 本稿では、ソースとクラス条件の遅延経路分布を整列する非逆不一致に基づくフレームワークを提案する。 CNN, ResNet18, TCN のバックボーンを用いた実験では, CPDA が30の相違, 逆相関, 擬似ラベルベースラインに対して有効であることが示された。
• 参考スコア（独自算出の注目度）: 2.957305018280003
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised time-series domain adaptation (DA) addresses the challenge of transferring a classifier from a labeled source domain to an unlabeled target domain under distribution shifts induced by different users, sensors, devices, acquisition conditions, or temporal dynamics. Existing methods typically mitigate this shift by aligning marginal feature distributions through adversarial training, optimal transport, or moment-based discrepancies. In this paper, we propose Class-Conditional Path Distribution Alignment (CPDA), a non-adversarial discrepancy-based framework that aligns source and target class-conditional latent path distributions rather than only global feature marginals. CPDA introduces a composite signature-spectral kernel that jointly captures pooled semantic features, temporal path structure, frequency-domain information, and low-rank path-signature dynamics, while using source labels and target soft pseudo-labels to perform class-preserving alignment. We further provide a theoretical analysis showing that CPDA defines a valid kernel discrepancy, admits existing moment-matching methods as restricted cases, and yields a class-conditional target-risk bound. Extensive experiments with CNN, ResNet18, and TCN backbones on 13 different time-series DA benchmarks demonstrate the effectiveness of CPDA against 30 discrepancy, adversarial, and pseudo-labeling baselines.
• Abstract（参考訳）: 教師なし時系列領域適応(DA)は、異なるユーザ、センサー、デバイス、取得条件、時間的ダイナミクスによって誘導される分散シフトの下で、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への分類器の転送という課題に対処する。 既存の方法は、敵の訓練、最適な輸送、モーメントベースの相違を通じて、限界特徴分布を整列させることによって、このシフトを緩和するのが一般的である。 本稿では,グローバルな特徴限界だけでなく,ソースとターゲットのクラス条件の遅延経路分布を整列する非逆差に基づくフレームワークであるCPDAを提案する。 CPDAは、プール化された意味的特徴、時間的パス構造、周波数領域情報、低ランクパス信号ダイナミクスを共同でキャプチャする複合シグネチャ-スペクトルカーネルを導入し、ソースラベルとターゲットソフトの擬似ラベルを使用してクラス保存アライメントを実行する。 さらに、CPDAが有効なカーネル不一致を定義し、既存のモーメントマッチング手法を制限されたケースとして認め、クラス条件のターゲットリスク境界を得ることを示す理論的解析を行った。 CNN、ResNet18、TCNのバックボーンによる13の異なる時系列DAベンチマークによる大規模な実験は、CPDAが30の相違、敵対的、疑似ラベル付きベースラインに対して有効であることを実証している。

関連論文リスト

• Domain-Adaptive Deep Joint Source-Channel Coding for Image Classification [17.84601469865839]
  タスク指向のDeep J SCCに対する単一ソースドメイン適応について検討する。 疑似ラベルに基づくクラスレベルの対数アライメントと教師付きコントラスト学習を組み合わせたドメイン適応型フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-31T00:11:16Z)
• C-DGPA: Class-Centric Dual-Alignment Generative Prompt Adaptation [8.824565305964406]
  教師なしドメイン適応(Unsupervised Domain Adaptation)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に知識を転送する。 既存のプロンプトチューニング戦略は、主に限界分布の相違と一致している。 C-DGPAは、ドメインノウルエッジをシナジスティック最適化による即時学習に統合する。 すべてのベンチマークで最新の結果が得られます。
  論文  参考訳（メタデータ） (2025-12-18T04:30:53Z)
• Balanced Learning for Domain Adaptive Semantic Segmentation [37.70100155953312]
  意味的セグメンテーションのための教師なしドメイン適応(UDA)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へ知識を転送することを目的としている。 UDAにおける自己学習技術の有効性にもかかわらず、各クラスは、固有のクラス不均衡とデータとドメイン間のラベル空間の分散シフトのために、バランスの取れた方法で学習するのに苦労している。 本稿では,分布シフトに関する事前知識を必要とせずに,クラスバイアスを直接評価・緩和するための新しいアプローチであるBallotd Learning for Domain Adaptation (BLDA)を提案する。
  論文  参考訳（メタデータ） (2025-12-07T15:21:22Z)
• From Entanglement to Alignment: Representation Space Decomposition for Unsupervised Time Series Domain Adaptation [18.100665738436398]
  DARSDは,表現空間の分解の観点から,UDAタスクを明示的に実現する理論的説明可能性を備えた,新しいUDAフレームワークである。 DarSDは3つの相乗的要素から構成される: (I) 意味的コンテンツを保存しながら、元の特徴をドメイン不変のサブ空間に投影する逆学習可能な共通不変基底; (II) 信頼、エラーの蓄積を妨げ、ターゲット特徴を動的に分離する擬似ラベル機構; (III) 機能クラスタリングと一貫性を同時に実施しながら、新興ディストリビューションギャップを緩和するハイブリッドコントラスト最適化戦略。
  論文  参考訳（メタデータ） (2025-07-28T16:26:28Z)
• Towards Cross-domain Few-shot Graph Anomaly Detection [6.732699844225434]
  ソースとターゲットドメイン間のデータ分散の相違により、クロスドメインの少数ショットグラフ異常検出(GAD)は簡単ではない。 我々は,上記の課題に対処するために,CDFS-GADと呼ばれるシンプルで効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-11T08:47:25Z)
• Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
  分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。 提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
  論文  参考訳（メタデータ） (2024-01-21T09:57:56Z)
• Imbalanced Open Set Domain Adaptation via Moving-threshold Estimation and Gradual Alignment [58.56087979262192]
  Open Set Domain Adaptation (OSDA) は、よくラベルされたソースドメインから未ラベルのターゲットドメインに知識を転送することを目的としている。 OSDA法の性能はドメイン内クラス不均衡とドメイン間ラベルシフトで大幅に低下する。 ラベルシフトによって生じる負の効果を軽減するために,オープンセット移動閾値推定とグラデーショナルアライメント(OMEGA)を提案する。
  論文  参考訳（メタデータ） (2023-03-08T05:55:02Z)
• Test-time Adaptation in the Dynamic World with Compound Domain Knowledge Management [75.86903206636741]
  テスト時間適応(TTA)により、モデルは新しい環境に適応し、テスト時間中にパフォーマンスを向上させることができる。 TTAのいくつかの研究は、継続的に変化する環境において、有望な適応性能を示している。 本稿ではまず,複合ドメイン知識管理を用いた堅牢なTTAフレームワークを提案する。 次に、ソースと現在のターゲットドメイン間のドメイン類似性を用いて適応率を変調する新しい正規化を考案する。
  論文  参考訳（メタデータ） (2022-12-16T09:02:01Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Cycle Label-Consistent Networks for Unsupervised Domain Adaptation [57.29464116557734]
  ドメイン適応は、ラベル付きソースドメインを活用して、異なる分布を持つラベル付きターゲットドメインの分類子を学ぶことを目的としています。 本稿では,分類ラベルのサイクル整合性を利用して,シンプルで効率的な領域適応手法,すなわちCycle Label-Consistent Network (CLCN)を提案する。 MNIST-USPS-SVHN, Office-31, Office-Home, Image CLEF-DAベンチマークに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2022-05-27T13:09:08Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• 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)

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。