基于稀疏联合结构对时间序列进行领域自适应

Dec, 2020

基于稀疏联合结构对时间序列进行领域自适应

Time Series Domain Adaptation via Sparse Associative Structure Alignment

Ruichu Cai, Jiawei Chen, Zijian Li, Wei Chen, Keli Zhang...

TL;DR提出一种新颖的稀疏联想结构对齐模型，用于域自适应任务中序列数据的域不变表示提取。在考虑时间滞后的同时，设计了基于变量内部和变量间的稀疏注意力机制，利用稳定的因果性和生成的区间集来发现稀疏联想结构。通过在三个真实世界的数据集上的实验，验证了我们方法的良好性能，并在转移知识方面提供了一些有见地的发现。

Abstract

domain adaptation on time series data is an important but challenging task. Most of the existing works in this area are based on the learning of the domain-invariant representation of the data with the help of re

domain adaptation time series data associative structure alignment causal structure sparse attention mechanisms

发现论文，激发创造

面向上下文的领域适应方法用于时序异常检测

通过深度增强学习和上下文采样来建立时间序列领域自适应模型，以实现相似或不同领域之间的知识转移，并且在三个公开数据集上取得了良好的效果。

Apr, 2023

领域自适应时间序列分类以减轻协变量漂移

本文提出一种新的基于监督学习的域适应技术，利用最优传输方法和嵌入相似性技术，从少量样本中搜索最优类别相关转换，并在推理中选择相应的转换，能够减小领域差异，并在多个包括模拟和手写数据集的领域漂移时间序列数据集上进行了广泛的评估。

Apr, 2022

联合域适应

我们提出了一种新颖的神经网络端到端领域自适应技术 —— 联想域自适应，这种技术通过强化源数据与目标数据之间的关联，在嵌入空间中产生统计领域不变嵌入并最小化标签产生误差，从而对未标记的目标域推断类标签，有效地实现域适应，并取得了卓越的性能。

Aug, 2017

通过注意力共享进行时间序列预测的域自适应

提出了一种新颖的域适应预测框架（Domain Adaptation Forecaster，DAF），该框架利用统计上的优势，从具有大量数据样本的相关领域（源）汲取经验，从而提高目标领域（带有有限数据量的）的性能，实现了对源和目标域的联合培训，并展示了在各种领域上的出色表现。

Feb, 2021

文本增强领域自适应半监督协同过滤

利用领域自适应方法，将标注充足数据领域的知识迁移到充足数据缺失的领域，并通过对齐潜在向量空间和提取用户和物品的领域不变文本特征解决隐式反馈推荐系统中数据稀疏性的问题。三个真实数据集的结果表明，该方法优于现有算法。

Jun, 2020

当无监督领域适应遇见张量表示

提出了一种基于学习的方法，用于直接适应源和目标张量表示，其中引入了一组对准矩阵以将两个领域的张量表示对齐到不变张量子空间，并展示了其在域自适应的卷积激活方面具有最佳性能。

Jul, 2017

域自适应的部分可识别性

本研究针对无标签信息的目标领域，依靠因果机制的最小变化特性来最小化分布偏移的影响，利用两个分区潜在子空间的潜在变量模型来约束域移，证明潜在变量是部分可识别的，提出一种实用的域适应框架 iMSDA，并在基准数据集上取得了优于现有算法的实验结果，证明了我们框架的有效性。

Jun, 2023

任务判别的领域对齐方法用于无监督领域自适应

本文提出了一种深度域自适应框架，采用鉴别偏差度量，并结合任务驱动域对齐鉴别器和域正则化器，以改进无监督域适应的性能，并在多项标准基准测试中证明了其优于现有技术的一致性。

Sep, 2019

利用隐空间感知的序列自编码器泛化到不断演变的领域

本文提出了一种基于概率框架的隐变量结构自然语言生成器，通过探索深度神经网络中的潜在连续结构来解决不断演化的域泛化问题，特别是在处理非平稳和连续漂移的任务中，可以通过识别协变量漂移和概念漂移，为域泛化问题带来优越的性能。

May, 2022

匹配与变形：通过最佳传输和时间对齐实现时间序列领域自适应

在这篇论文中，我们介绍了 Match-And-Deform（MAD）方法，它旨在寻找源时间序列和目标时间序列之间的对应关系，同时允许时间扭曲。通过最优输运损失和动态时间扭曲，相关的优化问题可以同时对齐时间序列和时间戳。将 MAD 嵌入到深度神经网络中，有助于学习时间序列的新表示方法，既能对齐不同领域的时间序列，又能最大限度地提高网络的判别能力。基准数据集和遥感数据的实证研究表明，MAD 能够进行有意义的样本配对和时间偏移估计，并达到与最先进的深度时间序列领域自适应策略相似或更好的分类性能。

Aug, 2023