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。

  

摘要:

无源域适应(SFDA)在不访问源数据的情况下,将预训练的模型从标记的源域适配到未标记的目标域,从而保护隐私。虽然SFDA在计算机视觉领域较为常见,但在时间序列分析中却鲜有研究。现有方法难以捕捉时间动态,并且经常对分布之外的样本产生过于自信的预测。我们提出了MAsk And imPU(MAPU),该方法通过一种新颖的插补任务来解决时间一致性问题,即在学习的嵌入空间中恢复随机屏蔽的时间序列信号。在适应过程中,一个专门的时间插补器引导目标模型生成与源特征保持时间一致的特征。然而,MAPU依赖于标准的softmax预测,导致对超出源域支持范围的目标样本产生过于自信的预测。为了解决这一限制,我们引入了Evidential-MAPU(E-MAPU),它利用证据不确定性估计来识别这些超出支持范围的样本,并调整特征提取器,使其更接近源域的支持范围,同时保持分类器的不变性。在五个真实世界的时间序列数据集上的广泛实验表明,与现有方法相比,我们的方法在性能上有显著提升。我们的方法有效应对了各种时间序列域适应挑战,同时保持了计算效率,通过其基于不确定性的适应策略实现了最先进的性能。

引言

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。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号