基于不确定性原型的增强对比聚类：用于时间序列测试时适应
机器学习
2025-01-06 v1 人工智能
摘要
测试时适应旨在在推理阶段仅使用在线无标签测试数据来调整预训练的深度神经网络。虽然测试时适应在视觉应用中取得了一些希望，但其在时间序列情境中的潜力仍基本未被探索。现有的测试时适应方法原本为视觉任务设计，可能无法有效处理现实世界时间序列数据的复杂时序动态，导致适应性能 suboptimal。为解决这一差距，我们提出了基于不确定性感知原型的增强对比聚类方法（ACCUP），这是一种简单而有效的用于时间序列数据的测试时适应方法。我们首先在时间序列数据上采用增强集合来捕获多样化的时序信息和变化，同时引入不确定性感知原型来提炼关键特征。此外，我们引入熵比较方案，以选择性获取更可信的预测，从而增强伪标签的可靠性。进一步，我们利用增强对比聚类来增强特征判别性，缓解噪声伪标签的误差累积，促进同一类别内的紧凑聚类，同时实现不同类别之间的清晰分离。在三个真实世界时间序列数据集和一个额外的视觉数据集上进行的大量实验表明，所提方法的有效性和泛化潜力，推动了测试时适应时间序列数据这一较少探索的领域。
引用
@article{arxiv.2501.01472,
title = {Augmented Contrastive Clustering with Uncertainty-Aware Prototyping for Time Series Test Time Adaptation},
author = {Peiliang Gong and Mohamed Ragab and Min Wu and Zhenghua Chen and Yongyi Su and Xiaoli Li and Daoqiang Zhang},
journal= {arXiv preprint arXiv:2501.01472},
year = {2025}
}