面向时空传感器融合的高效无监督域适应回归
机器学习
2025-08-07 v2 信号处理
摘要
低成本、分布式传感器网络在环境和生物医学领域的广泛部署，使得大规模持续健康监测成为可能。然而，这些系统常常面临因传感器漂移、噪声和校准不足导致的数据质量下降问题，这些因素限制了其在实际应用中的可靠性。传统用于传感器融合与校准的机器学习方法依赖大量特征工程，难以捕捉时空依赖关系或适应不同部署条件下的分布偏移。为应对这些挑战，我们提出了一种针对回归任务的无监督域适应（UDA）新方法。所提方法能与时空图神经网络有效集成，并利用源域与目标域之间扰动逆 Gram 矩阵的对齐，借鉴了 Tikhonov 正则化的思想。该方法无需目标域标注数据即可实现可扩展且高效的域适应。我们在两个不同应用的真实数据集上验证了该方法：空气质量监测和 EEG 信号重建。我们的方法达到了最先进的性能，为环境和生理场景中更鲁棒和可迁移的传感器融合模型铺平了道路。我们的代码可在 https://github.com/EPFL-IMOS/TikUDA 获取。
引用
@article{arxiv.2411.06917,
title = {Efficient Unsupervised Domain Adaptation Regression for Spatial-Temporal Sensor Fusion},
author = {Keivan Faghih Niresi and Ismail Nejjar and Olga Fink},
journal= {arXiv preprint arXiv:2411.06917},
year = {2025}
}
备注
Accepted to IEEE Internet of Things Journal