Match-And-Deform：通过最优传输与时间对齐的时间序列域适应
机器学习
2023-08-28 v2
摘要
尽管通常可获得大量无标签数据，但相关标签往往稀缺。无监督域适应旨在利用源域的标签对来自相关但不同的目标域的数据进行分类。当涉及时间序列时，除标准特征分布偏移外，还会出现时间偏移等新困难。本文引入Match-And-Deform（MAD）方法，旨在寻找源与目标时间序列间的对应关系，同时允许时间畸变。该关联优化问题通过最优传输损失对齐序列，并通过动态时间规整对齐时间戳。当嵌入深度神经网络时，MAD有助于学习时间序列的新表示，既对齐域又最大化网络的判别能力。在基准数据集与遥感数据上的实证研究表明，MAD能进行有意义的样本对样本配对与时间偏移估计，达到与state-of-the-art深度时间序列域适应策略相似或更好的分类性能。
引用
@article{arxiv.2308.12686,
title = {Match-And-Deform: Time Series Domain Adaptation through Optimal Transport and Temporal Alignment},
author = {François Painblanc and Laetitia Chapel and Nicolas Courty and Chloé Friguet and Charlotte Pelletier and Romain Tavenard},
journal= {arXiv preprint arXiv:2308.12686},
year = {2023}
}