面向时间序列无监督域自适应的对比学习
机器学习
2023-02-08 v4 人工智能
摘要
无监督域自适应(UDA)旨在利用有标签的源域学习一个机器学习模型，使其在相似但不同的无标签目标域上表现良好。UDA在诸多应用中十分重要，例如医学中用于在不同患者队列间自适应风险评分。本文中，我们提出了一种用于时间序列数据UDA的新框架，称为CLUDA。具体而言，我们提出一种对比学习框架来学习多元时间序列中的上下文表示，使其为预测任务保留标签信息。在我们的框架中，我们通过定制的近邻对比学习进一步捕获源域与目标域间上下文表示的差异。据我们所知，我们的框架是首个用于时间序列数据UDA的域不变上下文表示学习框架。我们使用广泛的时间序列数据集评估了我们的框架，证明其有效性，并表明其在时间序列UDA上达到了SOTA性能。
引用
@article{arxiv.2206.06243,
title = {Contrastive Learning for Unsupervised Domain Adaptation of Time Series},
author = {Yilmazcan Ozyurt and Stefan Feuerriegel and Ce Zhang},
journal= {arXiv preprint arXiv:2206.06243},
year = {2023}
}
备注
Published as a conference paper at ICLR 2023