通过稀疏关联结构对齐的时间序列域适应:不变性与变异性学习
机器学习
2022-05-10 v1
摘要
时间序列数据的域适应在工业中常遇到,但在学术界关注有限。现有多数时间序列数据域适应方法借用了非时间序列数据现有方法的思想来提取域不变表示。然而,时间序列数据特有的两个困难尚未解决。1) 对不同时间戳间域不变且复杂依赖的建模并非易事。2) 域变信息很重要,但如何利用几乎未被发掘。幸运的是,不同域间因果结构的稳定性启发我们探索时间序列数据背后的结构。基于此启发,我们研究了域不变的未加权稀疏关联结构以及结构的域变强度。为此,我们提出通过不变性与变异性学习实现稀疏关联结构对齐(简称 SASA-IV),一种同时对齐不变未加权稀疏关联结构并考虑变体信息的时间序列无监督域适应模型。在技术上,我们以单向对齐约束提取域不变未加权稀疏关联结构,并通过精心设计的自回归模块嵌入域变强度。实验结果不仅证明我们的模型在三个真实数据集上取得最先进性能,还提供了关于知识迁移的一些启发性发现。
引用
@article{arxiv.2205.03554,
title = {Time-Series Domain Adaptation via Sparse Associative Structure Alignment: Learning Invariance and Variance},
author = {Zijian Li and Ruichu Cai and Jiawei Chen and Yuguan Yan and Wei Chen and Keli Zhang and Junjian Ye},
journal= {arXiv preprint arXiv:2205.03554},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2012.11797