利用无监督数据与域适应实现低成本传感器校准中的深度回归
机器学习
2022-10-04 v1 信号处理
摘要
随着空气质量意识的提升，空气质量监测正成为一项重要任务。低成本空气质量传感器易于部署，但不如昂贵且笨重的参考监测仪可靠。可借助深度学习，以参考监测仪为基准对低质量传感器进行校准。本文将传感器校准任务转化为半监督域适应问题，并提出了一种新颖的解决方案。该问题具有挑战性，因为它是一个存在协变量偏移和标签差距的回归问题。我们使用直方图损失替代回归中常用的均方误差或平均绝对误差，并发现其有助于应对协变量偏移。为处理标签差距，我们提出对样本进行加权以用于对抗熵优化。在实验评估中，所提方案在 R2 分数和平均绝对误差方面优于许多基于半监督和监督域适应的竞争性基线。消融研究显示了整个方案中每个所提组件的相关性。
引用
@article{arxiv.2210.00521,
title = {Leveraging unsupervised data and domain adaptation for deep regression in low-cost sensor calibration},
author = {Swapnil Dey and Vipul Arora and Sachchida Nand Tripathi},
journal= {arXiv preprint arXiv:2210.00521},
year = {2022}
}
备注
submitted to IEEE Trans. on Neural Networks and Learning Systems as a regular article