ADATIME：时间序列数据域自适应基准测试套件
机器学习
2023-05-08 v2
摘要
无监督域自适应方法旨在对未标注测试数据（其分布可能与训练数据不同或发生偏移）具有良好的泛化能力。此类方法通常在图像数据上发展，其在时间序列数据上的应用较少被探索。现有时间序列域自适应工作存在评估方案、数据集和骨干神经网络架构不一致的问题。此外，常使用有标注目标数据进行模型选择，这违背了无监督域自适应的基本假设。为解决这些问题，我们开发了基准评估套件（AdaTime）以系统、公平地评估时间序列数据上的不同域自适应方法。具体而言，我们标准化了骨干神经网络架构和基准数据集，同时探索了更实际的、可使用无标注数据或仅少量标注样本的模型选择方法。我们的评估包括将最先进的视觉域自适应方法适配到时间序列数据，以及近期专为时间序列数据开发的方法。我们进行了大量实验，在五个代表性数据集、覆盖50个跨域场景下评估11种最先进方法。结果表明，通过仔细选择超参数，视觉域自适应方法可与专为时间序列域自适应提出的方法相竞争。此外，我们发现超参数可基于实际模型选择方法选定。我们的工作揭示了在时间序列数据上应用域自适应方法的实践见解，并为该领域未来工作奠定了坚实基础。代码见\href{https://github.com/emadeldeen24/AdaTime}{github.com/emadeldeen24/AdaTime}。
引用
@article{arxiv.2203.08321,
title = {ADATIME: A Benchmarking Suite for Domain Adaptation on Time Series Data},
author = {Mohamed Ragab and Emadeldeen Eldele and Wee Ling Tan and Chuan-Sheng Foo and Zhenghua Chen and Min Wu and Chee-Keong Kwoh and Xiaoli Li},
journal= {arXiv preprint arXiv:2203.08321},
year = {2023}
}
备注
Accepted in the ACM Transactions on Knowledge Discovery from Data (TKDD)