时间序列数据表示的通用域适应基准
机器学习
2026-04-02 v1
摘要
深度学习模型在时间序列（TS）数据的新奇性检测方面取得了显著提升。这一成功归因于其强大的表示能力。然而，由于时间序列数据固有的变异性，这些模型在泛化性和鲁棒性方面常常面临挑战。为解决这一问题，常见方法是执行无监督域适应，尤其是通用域适应（UniDA），以处理域偏移和新出现的类别。尽管在计算机视觉领域已有广泛研究，但 UniDA 在时间序列数据上仍未得到充分探索。本工作在 UniDA 框架下对最先进的时间序列骨干网络进行了全面的实现与比较。我们提出了一种可靠的协议，用于评估它们在不同域上的鲁棒性和泛化能力。目标是为从业者提供一个可以轻松扩展以纳入 UniDA 和时间序列架构未来进展的框架。我们的结果揭示了骨干网络选择对 UniDA 性能的关键影响，并实现了跨多种数据集和架构的鲁棒性分析。
引用
@article{arxiv.2505.17899,
title = {Universal Domain Adaptation Benchmark for Time Series Data Representation},
author = {Romain Mussard and Fannia Pacheco and Maxime Berar and Gilles Gasso and Paul Honeine},
journal= {arXiv preprint arXiv:2505.17899},
year = {2026}
}