基于时间混合的时序对比域适应方法
机器学习
2023-07-28 v2
摘要
无监督域适应（UDA）通过将知识从有标签的源域迁移至发生偏移的无标签目标域，已成为解决域偏移问题的有力方案。尽管UDA在视觉应用中十分普遍，其在时间序列应用中的探索仍相对不足。本文提出一种名为CoTMix的轻量级时间序列对比域适应框架。与现有使用统计距离或对抗技术的方法不同，我们仅利用对比学习来缓解不同域间的分布偏移。具体而言，我们提出一种新颖的时间混合策略，为源域和目标域生成两个中间增强视图。随后，我们利用对比学习最大化各域与其对应增强视图之间的相似性。所生成的视图在适应过程中考虑了时间序列数据的时间动态，同时继承了两域间的语义。由此，我们逐步将两域推向一个共同的中间空间，缓解它们之间的分布偏移。在五个真实世界时间序列数据集上的大量实验表明，我们的方法显著优于所有最先进的UDA方法。CoTMix的实现代码见 \href{https://github.com/emadeldeen24/CoTMix}{github.com/emadeldeen24/CoTMix}。
引用
@article{arxiv.2212.01555,
title = {Contrastive Domain Adaptation for Time-Series via Temporal Mixup},
author = {Emadeldeen Eldele and Mohamed Ragab and Zhenghua Chen and Min Wu and Chee-Keong Kwoh and Xiaoli Li},
journal= {arXiv preprint arXiv:2212.01555},
year = {2023}
}
备注
Accepted in the IEEE Transactions on Artificial Intelligence