面向时间序列数据的无源域自适应与时间插补方法
信号处理
2023-07-18 v1 人工智能
机器学习
摘要
无源域自适应（SFDA）旨在无需访问源域数据的情况下，将预训练模型从有标签的源域适配到无标签的目标域，从而保护源域隐私。尽管 SFDA 在视觉应用中十分普遍，但在时间序列应用中很大程度上未被探索。现有主要为视觉应用设计的 SFDA 方法可能难以处理时间序列中的时间动态，导致适配性能受损。为应对这一挑战，本文提出一种简单而有效的时间序列无源域自适应方法，即掩码与插补（MAPU）。首先，为捕获源域的时间信息，我们的方法对时间序列信号进行随机掩码，同时利用一种新颖的时间插补器在嵌入空间中从掩码版本恢复原始信号。其次，在适配步骤中，利用该插补器网络引导目标模型生成与时间上和源特征一致的目标特征。为此，我们的 MAPU 能在适配过程中显式考虑时间依赖性，同时避免在噪声输入空间中进行插补。我们的方法是首个处理时间序列 SFDA 中时间一致性的方法，并且可无缝配备其他现有 SFDA 方法。在三个真实世界时间序列数据集上的大量实验表明，我们的 MAPU 相比现有方法取得了显著的性能提升。我们的代码可在 \url{https://github.com/mohamedr002/MAPU_SFDA_TS} 获取。
引用
@article{arxiv.2307.07542,
title = {Source-Free Domain Adaptation with Temporal Imputation for Time Series Data},
author = {Mohamed Ragab and Emadeldeen Eldele and Min Wu and Chuan-Sheng Foo and Xiaoli Li and Zhenghua Chen},
journal= {arXiv preprint arXiv:2307.07542},
year = {2023}
}
备注
Accepted in KDD'23