ICMLFeb, 2021

通过注意力共享进行时间序列预测的域自适应

PDF
TL;DR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。
deep neural networkstime series forecastingdomain adaptation forecasterdata scarcityattention-based shared module
发现论文，激发创造
  • 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

  • 高效推断的动态领域自适应

    本文提出了一种动态域自适应框架（DDA），该框架可以在低资源情况下实现高效的目标推理，并继承域适应所带来的有利泛化能力，同时应用领域混淆约束来提高适应性能。

    Mar, 2021

  • 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

  • 基于交叉注意力的前馈无源隐空域自适应

    本文研究深度学习中前馈源自适应的应用及其改进，通过交叉关注机制自适应目标数据集，探索自动化实例选取提升性能，实验表明我们提出的框架能显著改进现有方法。

    Jul, 2022

  • 基于一步微调的时间序列 Transformer 的域自适应

    本文介绍了一种使用逐步解冻技术进行时间序列预测的预训练模型、有限数据目标域的逐步微调和源域数据的 “一步微调” 方法，通过实验证明该方法在室内温度和风力预测方面相较于其他方法有着 4.35% 和 11.54% 的性能提升。

    Jan, 2024

  • 面部反欺诈的自领域适应

    本研究提出了一种自适应框架以应对面部反欺骗技术面临的跨域泛化问题，使用基于元学习的领域自适应算法，利用未标记的测试域数据来更新适配器以进一步提高性能。在四个公共数据集上的实验证明了该方法的有效性。

    Feb, 2021

  • 特征与标签变化下的时间序列领域自适应

    利用复杂时间序列建立了第一个用于封闭集和通用领域不受监督域自适应的深度学习模型 RAINCOAT，可实现跨领域的时频特征对齐并通过识别标签偏移来解决标签偏移问题，最多可以提高 16.33% 的性能表现。

    Feb, 2023

  • 基于弱监督的多源深度领域自适应方法用于时序传感器数据

    本文提出了一种新的卷积深度领域适应模型 CoDATS，该模型使用数据来自多个源域，可进一步提高复杂时间序列数据集的准确性。同时，使用弱监督目标域标签分布的领域适应方法 DA-WS，此方法在真实世界数据集上得到了广泛的应用和有效性验证。

    May, 2020

  • 基于时间注意力的深度生成领域适应，用于跨用户活动识别

    我们的研究提出了一种新颖的 Deep Generative Domain Adaptation with Temporal Attention (DGDATA) 方法，通过在领域适应过程中识别和整合时序数据中嵌入的时间关系，我们的方法改进了跨用户人体活动识别的分类性能。我们在三个面向不同场景和应用的公共基于传感器的人体活动识别数据集上进行了全面评估，以证明所提出的 DGDATA 方法的有效性。

    Mar, 2024

  • 神经机器翻译的领域差异适应

    本文介绍了『Domain Differential Adaptation（DDA）』的框架，该框架通过使用相关任务中的模型直接建模不同领域之间的差异，从而成功地应用于神经机器翻译的领域自适应中，并在多个实验设置中实现比其他替代方法更好的改进效果。

    Oct, 2019