使用对比度对抗学习改进多源时间序列域自适应

Sep, 2021

使用对比度对抗学习改进多源时间序列域自适应

CALDA: Improving Multi-Source Time Series Domain Adaptation with Contrastive Adversarial Learning

Garrett Wilson, Janardhan Rao Doppa, Diane J. Cook

TL;DR提出一种新的框架 CALDA，将对比学习和对抗学习的原则相结合，用于多源自适应学习，特别是时间序列数据。与之前的方法不同，其中 CALDA 还利用跨源标签信息，通过对比学习重新塑造空间，推动相同标签的示例彼此靠近，将不同标签的示例分开。实现结果表明，使用交叉源信息使得 CALDA 在时间序列和对比方法方面的表现都有所提高。当存在噪声时，弱监督进一步提高了性能，允许 CALDA 提供可推广的 MS-UDA 策略。

Abstract

unsupervised domain adaptation (UDA) provides a strategy for improving machine learning performance in data-rich (target) domains where ground truth labels are inaccessible but can be found in related (source) domains. In cases where meta-domain information such as label distributions

unsupervised domain adaptation calda multi-source uda time series data weak supervision

发现论文，激发创造

无监督域自适应时间序列的对比学习

本文提出了一种名为 CLUDA 的新颖的时序数据无监督领域适应框架，旨在使用对比学习框架来学习多变量时间序列的语境表示，并通过自定义最近邻对比学习来捕获源域和目标域之间的上下文表示变化，从而实现了在时间序列领域中学习域不变上下文表示的方法，并可用于对多种时间序列数据集进行评估以证明其有效性和卓越性能。

Jun, 2022

CLDA：对比学习用于半监督领域自适应

本文提出了一种简单的对比学习框架，用于半监督域自适应，以构建域不变的预测模型，在三个领域适应基准数据集上取得最先进的性能表现。

Jun, 2021

基于对抗训练的多源无监督领域自适应情感分析

提出了基于多源域自适应方法的两种转移学习框架来执行情感分析，其中关键特征是基于权重方案的无监督领域适应框架和基于两阶段训练的无监督领域适应框架，成果展示了比无监督的最新竞争对手更具有实用性的性能表现。

Jun, 2020

跨域对比学习用于无监督域自适应

该论文提出了一种在无监督领域适应的情况下，采用自我监督学习的对比方法以减少培训和测试集之间的领域差异，实现了简单而有效的领域对齐框架 CDCL，并使用伪标签进行评估，这种方法可以应用于无需数据源的情况并在图像分类方面取得了最先进的性能。

Jun, 2021

DACAD：领域自适应对比学习多元时间序列中的异常检测

本文提出了一种结合无监督域自适应和对比表示学习的新颖多变量时序异常检测领域适应对比学习模型（DACAD），模型通过引入各种类型的合成异常来增强泛化能力，改善领域间未见异常类的一般化，提出了针对异常检测的有效中心熵分类器（CEC），有效学习源域中正常边界，广泛的实证验证结果表明 DACAD 在多个现实世界数据集上优于其他领先的时序异常检测和无监督域自适应模型，同时可以缓解有限标注数据对时序异常检测的挑战。

Apr, 2024

自适应对比学习实现的无源域自适应

本文探讨了一种实际的领域自适应任务，称为无源域自适应（SFUDA），在此任务中，源预训练模型在没有访问源数据的情况下适应于目标域。我们介绍了一种新的 SFUDA 范例 Divide and Contrast（DaC），使用自适应对比学习框架，通过预测的置信度将目标数据分为类似源域和特定于目标域的样本，并针对每个组别进行调整目标，以在全局和局部层面上提高性能

Nov, 2022

多源领域自适应互相学习网络

本文介绍一种新的多源域自适应方法 —— Mutual Learning Network for Multiple Source Domain Adaptation (ML-MSDA)。通过互补学习的框架，该方法将目标域与每个单一源域配对，使用条件对抗性域自适应网络作为分支网络进行训练，并将组合后的多源域和目标域一起作为引导网络进行训练。多个分支网络与引导网络对齐，通过在相应目标数据上通过 JS 分歧正则化约束其预测概率分布来实现互补学习，该方法在多个多源域自适应基准数据集上进行了广泛的实验。结果表明，ML-MSDA 方法优于比较方法，并实现了最新的性能表现。

Mar, 2020

连接，而非坍塌：解释对比学习在无监督领域适应中的应用

本文针对无监督域适应问题，提出了一种基于对比度预训练的分类器学习方法，该方法可以学习到跨领域的分类特征而无需在领域间建立不变特征映射，并在基准视觉数据集上获得了验证。

Apr, 2022

领域混淆对比学习用于无监督领域自适应

本文介绍了一种自主学习方法的无监督域自适应技术，即 Domain Confused Contrastive Learning（DCCL），旨在通过域拼图来构建源域和目标域之间的桥梁，并在适应后保留有区分性的表示。此外，作者还探讨了在进行其他数据增强时，对比学习是否有助于 UDA。实验表明，DCCL 的表现显著优于基线。

Jul, 2022

深度无监督域自适应：近期进展和展望综述

深度学习在许多领域都展现出其超凡表现，但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现，无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题，并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果，该文对该领域的方法和应用进行了系统比较，并强调了当前方法的不足及未来研究方向。

Aug, 2022