用于时间序列通用域适应的深度联合分布最优传输
机器学习
2026-04-07 v3
摘要
通用域适应（UniDA）旨在将知识从有标签的源域转移到无标签的目标域，即使它们的类别不完全共享。目前很少有专门针对时间序列（TS）的 UniDA 方法，这仍然是一个具有挑战性的情况。通常，UniDA 方法对齐公共类样本并检测来自新兴类别的未知目标样本。这种检测通常源于对可分性度量设定阈值。阈值通常是微调的超参数或固定值，这限制了模型适应新数据的能力。此外，可分性度量对未知样本表现出过度自信，导致误分类。本文引入了 UniJDOT，这是一种基于最优传输的方法，在传输成本中考虑了未知目标样本。我们的方法还提出了一个联合决策空间，以提高检测模块的可分性。此外，我们使用自动阈值算法来减少对固定或微调阈值的依赖。最后，我们依赖于受傅里叶神经算子启发的基于傅里叶变换的层，以获得更好的 TS 表示。在 TS 基准测试上的实验证明了 UniJDOT 的可分性、鲁棒性和最先进的性能。
引用
@article{arxiv.2503.11217,
title = {Deep Joint Distribution Optimal Transport for Universal Domain Adaptation on Time Series},
author = {Romain Mussard and Fannia Pacheco and Maxime Berar and Gilles Gasso and Paul Honeine},
journal= {arXiv preprint arXiv:2503.11217},
year = {2026}
}