LogoRA：用于鲁棒时间序列分类的局部-全局表示对齐
机器学习
2024-09-19 v1
摘要
时间序列的无监督域适应旨在教模型识别跨不同时间情景中一致的模式，忽略域特定差异，从而维持预测准确性并有效适应新域。然是，现有方法难以充分提取和对齐时间序列中的全局与局部特征。为此，我们提出 Local-Global Representation Alignment 框架 (LogoRA)，采用两分支编码器，包括多尺度卷积分支和分块 transformer 分支。编码器实现对时间序列的局部与全局表示提取。随后引入融合模块，将这些表示整合，从多尺度视角增强域无关特征对齐。为实现有效对齐，LogoRA 采用包括在源域中利用不变特征学习、采用三角损失进行精细对齐以及基于动态时间变形的特征对齐策略。此外，通过对抗训练和 per-class prototype 对齐减少源-目标域间的差距。我们在四个时间序列数据集上进行评估，表明 LogoRA 相较于强基线可提升最高达 12.52%，凸显其在时间序列 UDA 任务中的优势。
关键词
引用
@article{arxiv.2409.12169,
title = {LogoRA: Local-Global Representation Alignment for Robust Time Series Classification},
author = {Huanyu Zhang and Yi-Fan Zhang and Zhang Zhang and Qingsong Wen and Liang Wang},
journal= {arXiv preprint arXiv:2409.12169},
year = {2024}
}
备注
Accepted by IEEE Transactions on Knowledge and Data Engineering