Domain Adaptation for Time Series Under Feature and Label Shifts

计算机科学 特征(语言学) 集合(抽象数据类型) 可转让性 适应(眼睛) 系列(地层学) 学习迁移 领域(数学分析) 人工智能 域适应 模式识别(心理学) 机器学习 数学 数学分析 哲学 物理 罗伊特 光学 古生物学 分类器(UML) 生物 程序设计语言 语言学
作者
Huan He,Owen Queen,Teddy Koker,Consuelo Cuevas,Theodoros Tsiligkaridis,Marinka Žitnik
出处
期刊:Cornell University - arXiv 被引量:11
标识
DOI:10.48550/arxiv.2302.03133
摘要

Unsupervised domain adaptation (UDA) enables the transfer of models trained on source domains to unlabeled target domains. However, transferring complex time series models presents challenges due to the dynamic temporal structure variations across domains. This leads to feature shifts in the time and frequency representations. Additionally, the label distributions of tasks in the source and target domains can differ significantly, posing difficulties in addressing label shifts and recognizing labels unique to the target domain. Effectively transferring complex time series models remains a formidable problem. We present Raincoat, the first model for both closed-set and universal domain adaptation on complex time series. Raincoat addresses feature and label shifts by considering both temporal and frequency features, aligning them across domains, and correcting for misalignments to facilitate the detection of private labels. Additionally, Raincoat improves transferability by identifying label shifts in target domains. Our experiments with 5 datasets and 13 state-of-the-art UDA methods demonstrate that Raincoat can improve transfer learning performance by up to 16.33% and can handle both closed-set and universal domain adaptation.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
一米阳光完成签到,获得积分10
3秒前
5秒前
共享精神应助samifranco采纳,获得10
5秒前
6秒前
CodeCraft应助june采纳,获得10
8秒前
共享精神应助huyang采纳,获得10
8秒前
一叶知秋完成签到 ,获得积分10
9秒前
Pxn1bplus发布了新的文献求助10
9秒前
9秒前
123456发布了新的文献求助10
9秒前
9秒前
从容安波完成签到 ,获得积分10
10秒前
舒心糖豆发布了新的文献求助10
12秒前
山真页完成签到,获得积分10
13秒前
汤鱼发布了新的文献求助10
13秒前
Tink完成签到,获得积分10
14秒前
14秒前
张三发布了新的文献求助10
15秒前
摘星012完成签到 ,获得积分10
16秒前
尖果儿发布了新的文献求助10
16秒前
可爱的函函应助奇异物质采纳,获得10
16秒前
19秒前
19秒前
june完成签到,获得积分10
20秒前
你爹完成签到,获得积分10
20秒前
整齐芷文完成签到,获得积分10
22秒前
orixero应助璇儿采纳,获得10
22秒前
汉堡包应助ZYC采纳,获得10
23秒前
24秒前
25秒前
Yuxuan发布了新的文献求助10
25秒前
june发布了新的文献求助10
25秒前
Humab668完成签到,获得积分10
27秒前
端庄大白完成签到 ,获得积分10
28秒前
29秒前
烟花应助wqc2060采纳,获得10
30秒前
30秒前
星辰大海应助sherry采纳,获得10
30秒前
qiaqiaqia发布了新的文献求助10
31秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
Very-high-order BVD Schemes Using β-variable THINC Method 568
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3135027
求助须知:如何正确求助?哪些是违规求助? 2785983
关于积分的说明 7774640
捐赠科研通 2441787
什么是DOI,文献DOI怎么找? 1298184
科研通“疑难数据库(出版商)”最低求助积分说明 625088
版权声明 600825