SEA++：基于多图高阶传感器对齐的多变量时间序列无监督域适应
机器学习
2023-11-21 v1 人工智能
摘要
无监督域适应（UDA）方法通过最小化有标签源域与无标签目标域之间的域差异，已成功降低了对标签的依赖。然而，这些方法在处理多变量时间序列（MTS）数据时面临挑战。MTS 数据通常由多个传感器组成，每个传感器具有其独特的分布。这一特性使得现有主要聚焦于对齐全局特征而忽视传感器级分布差异的 UDA 方法难以降低 MTS 数据的域差异。为解决此问题，一种实用的域适应场景被形式化为多变量时间序列无监督域适应（MTS-UDA）。本文中，我们提出面向 MTS-UDA 的传感器对齐（SEA），旨在从局部与全局传感器层级降低域差异。在局部传感器层级，我们设计了内特征对齐，用于跨域对齐传感器特征及其相关性。为降低全局传感器层级的域差异，我们设计了外特征对齐以对全局传感器特征施加约束。我们通过将内特征对齐增强进一步将 SEA 扩展为 SEA++。特别地，我们针对传感器特征及其相关性引入了基于多图的高阶对齐。大量实证结果表明，我们的 SEA 与 SEA++ 在公开 MTS 数据集上取得了最先进的 MTS-UDA 性能。
引用
@article{arxiv.2311.10806,
title = {SEA++: Multi-Graph-based High-Order Sensor Alignment for Multivariate Time-Series Unsupervised Domain Adaptation},
author = {Yucheng Wang and Yuecong Xu and Jianfei Yang and Min Wu and Xiaoli Li and Lihua Xie and Zhenghua Chen},
journal= {arXiv preprint arXiv:2311.10806},
year = {2023}
}