匹配与变形：通过最优传输和时间对齐进行时间序列领域自适应
摘要：时序数据领域的无监督域自适应问题受到时间漂移的影响，因此在源领域中利用标签对相关但不同的目标领域进行分类变得更加困难。本文引入了一种名为Match-And-Deform（MAD）的方法，旨在在源时序数据和目标时序数据之间找到对应关系，并允许时间失真。相关的优化问题通过最优输运损失和动态时间弯曲同步对齐时序数据和时间戳。当嵌入到深度神经网络中时，MAD有助于学习时序数据的新表示，既能对齐领域，又能最大化网络的辨别能力。在基准数据集和遥感数据上进行的实证研究表明，MAD能够进行有意义的样本配对和时间漂移估计，并达到与最先进的深度时序数据域自适应策略相似或更好的分类性能。
作者：Franc{c}ois Painblanc, Laetitia Chapel, Nicolas Courty, Chlo''e Friguet, Charlotte Pelletier, and Romain Tavenard
论文ID：2308.12686
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-28