MoSSDA：一种基于动量编码器的半监督域适应框架，用于多元时间序列分类
机器学习
2025-08-13 v1 人工智能
计算机视觉与模式识别
摘要
深度学习已成为各个领域最有前景的方法；然而，当训练数据和测试数据的分布不同（域偏移）时，深度学习模型的性能可能会下降。半监督域适应（SSDA）是解决此问题的主要方法，它假设有一个完全标注的训练集（源域），但测试集（目标域）仅提供一小部分标签。在本研究中，我们提出了一种新颖的两步动量编码器利用的SSDA框架MoSSDA，用于多元时间序列分类。时间序列数据对噪声高度敏感，且序列依赖性会导致域偏移，从而造成严重的性能下降。为了获得鲁棒、域不变且具有类别判别性的表示，MoSSDA 采用域不变编码器从源域和目标域学习特征。随后，学习到的特征被馈送到一个由在线动量编码器组成的、经过 Mixup 增强的正对比模块。最终分类器利用在有限标注目标域数据下表现出的一致性和判别性的学习特征进行训练，无需数据增强。我们通过分离编码器和分类器之间的梯度流，采用两阶段过程来获得丰富且复杂的表示。通过在六个多样化数据集上的广泛实验，MoSSDA 在三种不同骨干网络和目标域数据中各种未标注比例下均取得了最先进的性能。消融研究证实，包括两阶段学习在内的每个模块都能有效提升性能。我们的代码可在 https://github.com/seonyoungKimm/MoSSDA 获取。
引用
@article{arxiv.2508.08280,
title = {MoSSDA: A Semi-Supervised Domain Adaptation Framework for Multivariate Time-Series Classification using Momentum Encoder},
author = {Seonyoung Kim and Dongil Kim},
journal= {arXiv preprint arXiv:2508.08280},
year = {2025}
}