SEA++:基于多图的高阶传感器对齐,用于多变量时间序列无监督域调整

科学领域:

• 机器学习 机器学习
• 数据科学数据科学数据科学
• 信号处理 信号处理

背景情况:

• 无监督域调整 (UDA) 方法通过最小化域差异来减少标签依赖.
• 由于传感器级分布变化,现有的UDA方法在多变量时间序列 (MTS) 数据方面遇到了困难.
• 这种限制阻碍了UDA对MTS数据的有效性,这在现实应用中很常见.

研究的目的:

• 通过提出一个名为多变量时间序列无监督域调整 (MTS-UDA) 的新框架来应对MTS数据的UDA挑战.
• 引入传感器对齐 (SEA) 来解决本地和全球传感器层面的域差异.
• 通过结合先进的调整技术,增强对SEA++的拟议方法.

主要方法:

• 为MTS-UDA提出的SEnsor调整 (SEA) 框架.
• 开发了内分特征对齐,以对齐传感器特征及其在本地传感器层面的相关性.
• 设计的外特征对齐,以强制执行对全球传感器特征的限制,以实现全球传感器水平对齐.
• 扩展了SEA到SEA++,并基于多图的高阶对齐,以增强特征和相关性对齐.

主要成果:

• 在6个公共MTS数据集上,SEA和SEA++展示了最先进的性能.
• 提出的方法有效地解决了在本地和全球传感器层面的域差异.
• 经验结果证实了SEA和SEA++在MTS-UDA任务中的优越性.

结论:

• SEA和SEA++为多变量时间序列无监督域调整提供了有效的解决方案.
• 传感器级对齐方法显著改善了MTS数据上的UDA性能.
• 提出的方法推进了复杂时间序列数据的域调整领域.