无源时间序列域调整,先评估模型突出值

科学领域:

• 机器学习 机器学习
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 无源域适应 (SFDA) 对于将模型适应新数据而无需访问原始敏感数据至关重要.
• 现有的SFDA方法往往忽视时间序列的特定特征,如时间依赖.
• 目前的SFDA微调仅限于输出级别的调整,缺乏可解释性,并存在负面转移的风险.

研究的目的:

• 为时间序列数据开发一个可解释的SFDA框架.
• 为了解决SFDA中黑子后部适应的局限性.
• 通过纳入语义解释性来改善模型适应性.

主要方法:

• 引入了"模型突出性",作为语义解释性的可量化的衡量标准.
• 开发了PrEPoA (模型突出性的前期评估与后期调整) 框架.
• 包含一个关键模式重建 (KPR) 模块用于突出量化和一个跨模式三重损失用于校准.
• 利用强大的原型集群 (RPC) 在适应阶段生成可靠的伪标签.

主要成果:

• 在多个时间序列数据集 (WISDM,HAR,HHAR,MFD,SSC) 中,PrEPoA表现出卓越的性能.
• 超过了九种无监督域适应 (UDA) 和七种SFDA方法.
• 验证了 PrEPoA 作为现有 SFDA 方法的 plug-and-play 模块的有效性.

结论:

• 拟议的PrEPoA框架为时间序列数据的可解释SFDA提供了显著的进步.
• 将模型突出性的预先评估与后续适应相结合,可以提高模型的稳定性和性能.
• PrEPoA提供了一种灵活有效的解决方案,用于安全和可解释的域调整.