基于弱监督的多源深度域适应用于时间序列传感器数据
机器学习
2020-05-25 v1 机器学习
摘要
域适应（DA）为在新问题域中复用数据与模型提供了宝贵手段。然而，针对数据可用性各异的时间序列数据，尚缺乏鲁棒技术。本文做出三项主要贡献以填补此空白。首先，我们提出一种新颖的用于时间序列数据的卷积深度域适应模型（CoDATS），在真实世界传感器数据基准上相较最先进 DA 策略显著提升了准确率与训练时间。通过利用多源域数据，我们增强了 CoDATS 的实用性，以进一步提升相较先前单源方法的准确率，尤其在域间高变异性的复杂时间序列数据集上。其次，我们提出一种新颖的弱监督域适应（DA-WS）方法，利用以目标域标签分布形式出现的弱监督，其可能比额外数据标签更易收集。第三，我们在多样真实世界数据集上开展综合实验以评估域适应与弱监督方法的有效性。结果表明，用于单源 DA 的 CoDATS 显著优于最先进方法，且利用多源域数据与弱监督信号获得了额外的准确率提升。代码见：https://github.com/floft/codats
引用
@article{arxiv.2005.10996,
title = {Multi-Source Deep Domain Adaptation with Weak Supervision for Time-Series Sensor Data},
author = {Garrett Wilson and Janardhan Rao Doppa and Diane J. Cook},
journal= {arXiv preprint arXiv:2005.10996},
year = {2020}
}
备注
Accepted at KDD 2020