SMORE：基于相似度的超维域自适应用于多传感器时间序列分类
机器学习
2024-02-28 v2
摘要
物联网（IoT）的许多现实世界应用采用机器学习（ML）算法来分析由互联传感器收集的时间序列信息。然而，分布偏移是数据驱动 ML 的一个基本挑战，当模型部署在与训练数据不同的数据分布上时会出现，并可能显著降低模型性能。此外，越来越复杂的深度神经网络（DNN）被要求捕捉多传感器时间序列数据中 intricate 的空间和时间依赖关系，这往往超出了当今边缘设备的能力。在本文中，我们提出了 SMORE，这是一种用于多传感器时间序列分类的新型资源高效域自适应（DA）算法，利用了超维计算的高效并行操作。SMORE 通过明确考虑每个样本的域上下文来自定义测试时模型，以减轻域偏移的负面影响。我们在各种多传感器时间序列分类任务上的评估表明，SMORE 的平均准确率比最先进的（SOTA）基于 DNN 的 DA 算法高出 1.98%，同时训练速度快 18.81 倍，推理速度快 4.63 倍。
引用
@article{arxiv.2402.13233,
title = {SMORE: Similarity-based Hyperdimensional Domain Adaptation for Multi-Sensor Time Series Classification},
author = {Junyao Wang and Mohammad Abdullah Al Faruque},
journal= {arXiv preprint arXiv:2402.13233},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2308.03295