用于时间序列分类的深度无监督域适应：一项基准测试
机器学习
2025-07-29 v3 人工智能
机器学习
摘要
无监督域适应 (UDA) 旨在利用有标签的源数据来训练适用于无标签目标数据的模型。尽管在计算机视觉和自然语言处理等领域已有广泛研究，但 UDA 在时间序列数据中仍属探索不足，而时间序列数据在从医学、制造到地球观测和人类活动识别等领域有着广泛的现实应用。本文通过引入一个全面的基准测试来评估用于时间序列分类的 UDA 技术，重点关注深度学习方法，从而填补了这一空白。我们提供了七个新的基准数据集，涵盖各种域偏移和时间动态，并使用最先进的神经网络骨干网络 (例如 Inception) 促进对 UDA 方法的公平和标准化评估。该基准测试提供了对所评估方法的优势和局限性的见解，同时保持了域适应的无监督特性，使其可直接应用于实际问题。本文为研究人员和从业者提供了重要资源，推动了时间序列数据的域适应解决方案，并促进了这一关键领域的创新。该基准测试的实现代码可在 https://github.com/EricssonResearch/UDA-4-TSC 获取。
引用
@article{arxiv.2312.09857,
title = {Deep Unsupervised Domain Adaptation for Time Series Classification: a Benchmark},
author = {Hassan Ismail Fawaz and Ganesh Del Grosso and Tanguy Kerdoncuff and Aurelie Boisbunon and Illyyne Saffar},
journal= {arXiv preprint arXiv:2312.09857},
year = {2025}
}
备注
Published in Data Mining and Knowledge Discovery