
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于证据校准的无源时间序列域适应方法及时间插补技术
《IEEE Transactions on Knowledge and Data Engineering》:Evidentially Calibrated Source-Free Time-Series Domain Adaptation With Temporal Imputation
【字体: 大 中 小 】 时间:2025年12月11日 来源:IEEE Transactions on Knowledge and Data Engineering 10.4
编辑推荐:
提出MAPU方法通过掩码时间序列信号恢复保持时间一致性,改进为E-MAPU利用证据不确定性识别目标域外样本并调整特征提取器,实验在五个真实数据集上显著优于现有方法。
深度学习在各种时间序列应用中取得了令人印象深刻的结果,包括机器健康监测、人类活动识别和医疗诊断等。然而,这种成功往往依赖于标注大量数据的繁琐且资源密集型任务。为了减轻这一负担,无监督域适应(UDA)作为一种有前景的技术应运而生。UDA利用预标记的源数据在未标记的目标数据上训练模型,有效地弥合了两个域之间的分布差距[1],[2]。
(a) 尽管两个信号的数值相似,但它们观测值的时间位置差异可能导致不同的预测结果。(b) 传统的熵不是一种可靠的不确定性估计器,因为它对源域和目标域都显示出较低的不确定性。(c) 使用softmax分数和证据学习在UCIHAR数据集上计算的平均校准误差表明,使用证据深度学习进行预训练可以得到校准更准确的模型。(d) 我们提出的方法通过其证据头部为目标域提供了较高的不确定性,因此能够检测到超出源域支持范围的目标样本。