基于潜在不变因果机制的时间序列领域适应
机器学习
2025-02-25 v1 人工智能
统计方法学
摘要
时间序列领域适应旨在将复杂的时间依赖性从标记的源域迁移到未标记的目标域。最近的研究方法利用观察变量上稳定的因果机制来建模域无关的时间依赖性。然而，在高维数据（如视频）中精确建模因果结构仍然具有挑战性。此外，观察变量之间可能不存在直接的因果边缘（例如像素之间）。这些限制阻碍了现有方法在实际场景中的应用。为应对这些挑战，我们发现高维时间序列数据是由低维潜在变量生成的，这激励我们对时间潜在过程的因果机制进行建模。基于这一直觉，我们提出了一种保证重建潜在因果结构唯一性的潜在因果机制识别框架。具体而言，我们首先通过利用历史信息的显著变化来识别潜在变量。此外，通过强制潜在变量关系的稀疏性，可以实现可辨识的潜在因果结构。基于理论结果，我们开发了潜在因果对齐（LCA）模型，该模型利用变分推断，包含用于潜在结构重建的域内潜在稀疏约束和用于域无关结构重建的域间潜在稀疏约束。在八个基准测试上的实验结果显示，我们的方法在域自适应时间序列分类和预测任务中均实现了普遍的性能提升，突显了该方法在实际场景中的有效性。代码已公开于 https://github.com/DMIRLAB-Group/LCA。
引用
@article{arxiv.2502.16637,
title = {Time Series Domain Adaptation via Latent Invariant Causal Mechanism},
author = {Ruichu Cai and Junxian Huang and Zhenhui Yang and Zijian Li and Emadeldeen Eldele and Min Wu and Fuchun Sun},
journal= {arXiv preprint arXiv:2502.16637},
year = {2025}
}