Deep Joint Distribution Optimal Transport for Universal Domain Adaptation on Time Series

要約

ユニバーサルドメイン適応（UNIDA）は、クラスが完全に共有されていない場合でも、知識をラベル付けされたソースドメインから非標識ターゲットドメインに転送することを目指しています。
時系列（TS）には専用のユニダの方法はほとんど存在しません。これは困難なケースのままです。
一般に、Unidaアプローチは一般的なクラスサンプルを調整し、新しいクラスから未知のターゲットサンプルを検出します。
このような検出は、多くの場合、識別性メトリックをしきい値化することに起因します。
しきい値は通常、微調整されたハイパーパラメーターまたは固定値のいずれかであり、モデルが新しいデータに適応する能力を制限します。
さらに、識別性メトリックは、未知のサンプルに自信過剰を示し、誤分類につながります。
このペーパーでは、輸送コストの未知のターゲットサンプルを説明する最適な輸送ベースの方法であるUnijdotを紹介します。
また、私たちの方法では、検出モジュールの識別性を改善するための共同決定スペースも提案しています。
さらに、自動授与アルゴリズムを使用して、固定または微調整されたしきい値への依存を減らします。
最後に、より良いTS表現のために、フーリエ神経演算子に触発されたフーリエ変換ベースの層に依存しています。
TSベンチマークでの実験は、Unijdotの識別性、堅牢性、および最先端のパフォーマンスを示しています。

要約(オリジナル)

Universal Domain Adaptation (UniDA) aims to transfer knowledge from a labeled source domain to an unlabeled target domain, even when their classes are not fully shared. Few dedicated UniDA methods exist for Time Series (TS), which remains a challenging case. In general, UniDA approaches align common class samples and detect unknown target samples from emerging classes. Such detection often results from thresholding a discriminability metric. The threshold value is typically either a fine-tuned hyperparameter or a fixed value, which limits the ability of the model to adapt to new data. Furthermore, discriminability metrics exhibit overconfidence for unknown samples, leading to misclassifications. This paper introduces UniJDOT, an optimal-transport-based method that accounts for the unknown target samples in the transport cost. Our method also proposes a joint decision space to improve the discriminability of the detection module. In addition, we use an auto-thresholding algorithm to reduce the dependence on fixed or fine-tuned thresholds. Finally, we rely on a Fourier transform-based layer inspired by the Fourier Neural Operator for better TS representation. Experiments on TS benchmarks demonstrate the discriminability, robustness, and state-of-the-art performance of UniJDOT.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google