Aug, 2023

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

PDF
TL;DR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。
unsupervised domain adaptationtime series datamatch-and-deform approachtemporal shiftsdeep time series domain adaptation
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

  • 目标偏移下的多源域自适应最优传输

    本文提出了一种基于最优传输的多源域自适应方法解决目标移位下的分类问题，实验结果表明相比现有技术在卫星图像分割任务上具有较好的性能。

    Mar, 2018

  • 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

  • 领域自适应的最优传输

    该研究提出了一种规范化的非监督最优运输模型，通过找到公共表示来在源域和目标域之间执行两个领域的对齐，从而在标记和未标记的数据中同时利用了源和目标领域中的信息，该模型在可视化自适应方面表现优异。

    Jul, 2015

  • 多源视频领域自适应：时间注意力动态对齐

    本文介绍了一种新的 Temporal Attentive Moment Alignment Network 模型，针对 Multi-Source Video Domain Adaptation 问题，通过动态对齐空间和时间特征矩阵，同时构建具有鲁棒性的全局时间特征以提高精度。作者还提出了相应的测试基准，实验证明该模型在 Multi-Source Video Domain Adaptation 问题上有着卓越的表现。

    Sep, 2021

  • FMDA-OT：通过最优传输进行联邦多源域适应

    通过多源领域自适应的合作性框架，使用最优传输分别进行源领域自适应和目标领域自适应，并利用中央化联合学习架构协同多个源的模型，解决领域自适应中的数据隐私问题。

    Apr, 2024

  • 基于伪目标域的多源无监督域自适应

    提出了一种新的多源域自适应方法 Pseudo Target for MDA (PTMDA)，采用敌对学习与度量约束将每组源和目标域映射到特定的子空间，并构造了一系列伪目标域进行训练以提高性能。此外，为提高深度神经网络的传递性，用有效的匹配规范化层代替传统批规范化层，给出理论分析和实验探究证明了该方法的有效性。

    Feb, 2022

  • 一种基于高阶矩匹配的具有类别感知优化输运方法用于无监督领域适应

    无监督领域自适应方法中引入了一种新的方法 - 称为类感知最优输运（OT），用于测量来自标记源领域的分布与源和目标数据分布的混合之间的 OT 距离。我们的类感知 OT 利用了一个成本函数，该函数确定了给定数据示例与源类条件分布之间的匹配程度，通过优化这个成本函数，我们可以找到目标示例与源类条件分布之间的最佳匹配，从而有效地解决了两个领域之间发生的数据和标签偏移问题。为了高效处理类感知 OT 问题，我们提出了一种使用深度神经网络来制定输运概率和成本函数的摊薄解决方案。此外，我们还提出了最小化类感知高阶矩匹配（HMM）来对齐源领域和目标领域上相应的类区域的经济计算方法。在基准数据集上进行的大量实验证明了我们提出的方法明显优于现有的最先进基准线。

    Jan, 2024

  • 多源域自适应的时刻匹配

    本文提出并介绍了一种基于 Moment Matching 的多源领域适应方法 (M3SDA)。借助我们构建的数据集 DomainNet，该方法可以动态地对多个带标签源领域的知识进行转移，以对目标领域的无标签数据进行分类。实验结果表明我们的数据集可以有效评估现有的多源领域适应方法，同时也验证了该方法的优越性。

    Dec, 2018

  • 最优传输理论分析的领域自适应

    本文在探讨域自适应的过程中，提出了一种使用 Wasserstein 度量作为两个数据集分布差异度量的方法，并且通过对多个不同的学习场景的实验证明了这种方法的通用性，同时进一步探讨了这种方法可能比其他现有框架更紧密的原因。

    Oct, 2016