ADATIME: A Benchmarking Suite for Domain Adaptation on Time Series Data

要約

タイトル：タイムシリーズデータのドメイン適応のためのベンチマークスイートADATIME

要約：

– 教師なしのドメイン適応法は、トレーニングデータとは異なる（シフトした）分布を持つテストデータに対して一般化することを目的としています。
– これらの方法は通常、画像データに開発され、時間系列データへの応用はあまり探求されていません。
– 時系列ドメイン適応に関する既存の研究は、評価スキーム、データセット、バックボーンニューラルネットワークアーキテクチャの不一致に苦しんでいます。
– さらに、ラベル付きターゲットデータは、教師なしドメイン適応の基本的な仮定に違反するため、モデル選択に使用されることがよくあります。
– これらの問題に対処するために、時間系列データ上の異なるドメイン適応方法をシステム的かつ公正に評価するためのベンチマーク評価スイート（AdaTime）を開発しました。
– 具体的には、バックボーンニューラルネットワークアーキテクチャとベンチマークデータセットを標準化し、ラベルのないデータまたはわずかにラベル付けされたサンプルで動作するより現実的なモデル選択アプローチを探索しています。
– 私たちの評価には、時間系列データに特化した最近の方法だけでなく、最新のビジュアルドメイン適応方法を時間系列データに適応させることも含まれます。
– 私たちは、50のクロスドメインシナリオにわたる5つの代表的なデータセットで11の最先端の方法を評価するために、幅広い実験を実施しました。
– 結果から、ハイパーパラメータを慎重に選択すれば、ビジュアルドメイン適応方法は、時間系列ドメイン適応の方法と競合できることが示されました。
– さらに、現実的なモデル選択アプローチに基づいて、ハイパーパラメータを選択することができることがわかりました。
– 私たちの研究は、時間系列データにドメイン適応法を適用するための実践的な洞察を明らかにし、今後の研究のための堅固な基盤を築いています。また、コードは\href{https://github.com/emadeldeen24/AdaTime}{github.com/emadeldeen24/AdaTime}で利用可能です。

要約(オリジナル)

Unsupervised domain adaptation methods aim to generalize well on unlabeled test data that may have a different (shifted) distribution from the training data. Such methods are typically developed on image data, and their application to time series data is less explored. Existing works on time series domain adaptation suffer from inconsistencies in evaluation schemes, datasets, and backbone neural network architectures. Moreover, labeled target data are often used for model selection, which violates the fundamental assumption of unsupervised domain adaptation. To address these issues, we develop a benchmarking evaluation suite (AdaTime) to systematically and fairly evaluate different domain adaptation methods on time series data. Specifically, we standardize the backbone neural network architectures and benchmarking datasets, while also exploring more realistic model selection approaches that can work with no labeled data or just a few labeled samples. Our evaluation includes adapting state-of-the-art visual domain adaptation methods to time series data as well as the recent methods specifically developed for time series data. We conduct extensive experiments to evaluate 11 state-of-the-art methods on five representative datasets spanning 50 cross-domain scenarios. Our results suggest that with careful selection of hyper-parameters, visual domain adaptation methods are competitive with methods proposed for time series domain adaptation. In addition, we find that hyper-parameters could be selected based on realistic model selection approaches. Our work unveils practical insights for applying domain adaptation methods on time series data and builds a solid foundation for future works in the field. The code is available at \href{https://github.com/emadeldeen24/AdaTime}{github.com/emadeldeen24/AdaTime}.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI