特征与标签偏移下时间序列的域适应
机器学习
2023-06-21 v2 人工智能
摘要
无监督域适应（UDA）使得在源域上训练的模型能够迁移至无标签目标域。然而，由于跨域动态时间结构变化，复杂时间序列模型的迁移面临挑战。这导致时间与频率表示中的特征偏移。此外，源域与目标域任务的标签分布可能显著不同，给处理标签偏移和识别目标域独有标签带来困难。有效迁移复杂时间序列模型仍是一个艰巨问题。我们提出 Raincoat，首个面向复杂时间序列闭集与开放集域适应的模型。Raincoat 通过同时考虑时间与频率特征、跨域对齐它们并纠正错位以促进私有标签检测，来处理特征与标签偏移。此外，Raincoat 通过识别目标域中的标签偏移提升可迁移性。我们使用 5 个数据集与 13 种前沿 UDA 方法的实验表明，Raincoat 可将迁移学习性能提升至多 16.33%，并能处理闭集与开放集域适应。
引用
@article{arxiv.2302.03133,
title = {Domain Adaptation for Time Series Under Feature and Label Shifts},
author = {Huan He and Owen Queen and Teddy Koker and Consuelo Cuevas and Theodoros Tsiligkaridis and Marinka Zitnik},
journal= {arXiv preprint arXiv:2302.03133},
year = {2023}
}
备注
Accepted by ICML 2023; 29 pages (14 pages main paper + 15 pages supplementary materials). Code: see https://github.com/mims-harvard/Raincoat