面向时间序列分类的领域自适应以缓解协变量偏移
机器学习
2024-10-08 v2 人工智能
摘要
当机器学习模型应用于与初始训练数据相似但不同的领域数据时，其性能会下降。为了缓解这种领域偏移问题，领域自适应（Domain Adaptation, DA）技术寻找一个最优变换，将（当前）输入数据从源域转换到目标域，以学习一个减少领域差异的领域不变表示。本文提出了一种基于两个步骤的新型有监督领域自适应方法。首先，我们利用少量样本寻找从源域到目标域的最优类别依赖变换。我们考虑了最优传输方法，如推土机距离、Sinkhorn传输和相关对齐。其次，我们使用嵌入相似性技术在推理时选择相应的变换。我们使用了相关性度量和更高阶矩匹配技术。我们在具有领域偏移的时间序列数据集上进行了广泛评估，包括模拟数据集和各种在线手写数据集，以证明其性能。
引用
@article{arxiv.2204.03342,
title = {Domain Adaptation for Time-Series Classification to Mitigate Covariate Shift},
author = {Felix Ott and David Rügamer and Lucas Heublein and Bernd Bischl and Christopher Mutschler},
journal= {arXiv preprint arXiv:2204.03342},
year = {2024}
}