时序数据源恢复：面向无源监督域适应的时间序列源自适应方法
机器学习
2025-10-07 v2 计算机视觉与模式识别
摘要
随着物联网设备（如传感器）的兴起，时间序列（TS）数据变得越来越重要，但其标注成本高昂且复杂。虽然无监督域适应（UDA）提供了有效的解决方案，但日益增长的数据隐私 concerns 推动了源自由无监督域适应（SFUDA）的发展，使模型能够在不访问源数据的情况下适应目标域。尽管具有潜力，但将现有的SFUDA应用于TS数据具有挑战性，因为难以在缺乏源样本的情况下传递时序依赖性，这是TS数据不可或缺的特征。虽然先前的工作通过特定的源预训练设计试图解决此问题，但这些要求往往不切实际，因为源数据所有者无法被期待遵循特定的预训练方案。为此，我们提出了时序源恢复（TemSR），该框架利用TS数据的内在属性生成类似源域的分布并恢复源时序依赖性。通过该域，TemSR能够在不访问源数据或依赖源特定设计的情况下，将依赖性传递到目标域，从而促进有效且实用的TS-SFUDA。TemSR包含一种掩码恢复优化过程，用于生成带恢复时序依赖性的类似源分布。该分布通过局部上下文感知正则化进一步细化，以保持局部依赖性，通过锚点基恢复多样性最大化以促进分布多样性。这些组件共同实现了有效的时序依赖恢复，并通过标准UDA技术实现跨域传递。广泛的实验在多个TS任务上证明了TemSR的有效性，甚至超过了需要源特定设计的现有TS-SFUDA方法。
引用
@article{arxiv.2409.19635,
title = {Temporal Source Recovery for Time-Series Source-Free Unsupervised Domain Adaptation},
author = {Yucheng Wang and Peiliang Gong and Min Wu and Felix Ott and Xiaoli Li and Lihua Xie and Zhenghua Chen},
journal= {arXiv preprint arXiv:2409.19635},
year = {2025}
}