通过元学习实现单类域适应
机器学习
2025-01-23 v1
摘要
由于分布偏移，在工业系统中部署基于物联网传感器机器学习模型进行异常分类任务面临重大挑战，因为在受控实验室环境中获取的训练数据可能与生产环境中的实时数据存在显著差异。此外，许多现实应用无法在每个新环境中为每个异常类提供大量标注样本。因此，开发能够从一个环境有效迁移到另一个环境的可适应机器学习模型至关重要，从而能够利用正常操作数据进行快速适应。我们将此问题设置扩展到任意分类任务，并提出了单类域适应（OC-DA）问题设置。我们采用元学习方法来应对 OC-DA 的挑战，并提出了一种任务采样策略，以使任何双层元学习算法适应 OC-DA。我们修改了成熟的模型无关元学习（MAML）算法，并引入了 OC-DA MAML 算法。我们提供了理论分析，表明 OC-DA MAML 优化的元参数能够实现跨域的快速单类适应。OC-DA MAML 算法在 Rainbow-MNIST 元学习基准和基于振动传感器读数的真实世界数据集上进行了评估。结果表明，OC-DA MAML 显著提高了目标域的性能，并且优于使用标准任务采样策略的 MAML。
引用
@article{arxiv.2501.13052,
title = {One-Class Domain Adaptation via Meta-Learning},
author = {Stephanie Holly and Thomas Bierweiler and Stefan von Dosky and Ahmed Frikha and Clemens Heitzinger and Jana Eder},
journal= {arXiv preprint arXiv:2501.13052},
year = {2025}
}