GLA-DA：多变量时间序列的全局-局部对齐域适应
机器学习
2024-10-10 v1
摘要
与图像和自然语言标记不同，时间序列数据在语义上高度稀疏，导致标签标注工作量大。无监督和半监督域适应 (UDA 和 SSDA) 通过利用预标注的源数据在 unlabeled 或部分标注的目标数据上训练，显示出处理这一问题的效率。然而，针对下游分类任务设计的域适应方法，直接将标记的源样本与无标记的目标样本进行适应，常导致不同类别之间分布相似，从而损害目标分类任务的性能。为解决这一挑战，我们提出了一种用于多变量时间序列数据的全局-局部对齐域适应 (GLA-DA) 方法。首先，对两个域的数据进行编码，以对抗性方式在中间特征空间中对齐，实现全局特征对齐 (GFA)。随后，GLA-DA 利用基于相似性的模型与基于深度学习的模型之间的一致性，对 unlabeled 目标数据分配伪标签。这一过程旨在通过将具有相同类别标签的样本彼此对齐来保持不同标签数据之间的差异，实现局部类别对齐 (LCA)。我们在 UDA 和 SSDA 场景中实现了 GLA-DA，通过在各种公开数据集上的大量实验展示了其优于最先进方法的优势。消融实验强调了 GLA-DA 中关键组件的重要性。
引用
@article{arxiv.2410.06671,
title = {GLA-DA: Global-Local Alignment Domain Adaptation for Multivariate Time Series},
author = {Gang Tu and Dan Li and Bingxin Lin and Zibin Zheng and See-Kiong Ng},
journal= {arXiv preprint arXiv:2410.06671},
year = {2024}
}