领域适应(DA)提供了重用数据和模型用于新问题领域的有价值的方法。然而,对于具有不同数据可用性的时间序列数据,还没有考虑到健壮的技术。在本文中,我们做出了三个主要贡献来填补这一空白。我们提出了一种新的时间序列数据卷积深度域自适应模型(CoDATS),该模型在现实传感器数据基准上显著提高了最先进的DA策略的准确性和训练时间。通过利用来自多个源域的数据,我们增加了CoDATS的有用性,从而进一步提高了与以前的单源方法相比的准确性,特别是在域之间具有高度可变性的复杂时间序列数据集上。其次,我们提出了一种新的弱监督域自适应(DA-WS)方法,利用目标域标签分布形式的弱监督,这可能比其他数据标签更容易收集。第三,我们对不同的真实数据集进行了综合实验,以评估我们的域适应和弱监督方法的有效性。结果表明,用于单源DA的CoDATS比最先进的方法有了显著的改进,并且我们使用来自多个源域和弱监督信号的数据实现了额外的准确性改进。

成为VIP会员查看完整内容
19
0

相关内容

【KDD2020】多源深度域自适应的时序传感数据
专知会员服务
46+阅读 · 2020年5月25日
【CVPR2020-CMU】无数据模型选择,一种深度框架潜力
专知会员服务
17+阅读 · 2020年4月12日
【CVPR2020-旷视】DPGN:分布传播图网络的小样本学习
专知会员服务
25+阅读 · 2020年4月1日
【CVPR2019】弱监督图像分类建模
深度学习大讲堂
36+阅读 · 2019年7月25日
【泡泡图灵智库】实时单目物体-模型感知稀疏SLAM(ICRA)
CVPR 2019 Oral 论文解读 | 无监督域适应语义分割
AI科技评论
47+阅读 · 2019年5月29日
非平衡数据集 focal loss 多类分类
AI研习社
30+阅读 · 2019年4月23日
Arxiv
5+阅读 · 2019年10月11日
SlowFast Networks for Video Recognition
Arxiv
4+阅读 · 2019年4月18日
Transfer Adaptation Learning: A Decade Survey
Arxiv
33+阅读 · 2019年3月12日
Learning Embedding Adaptation for Few-Shot Learning
Arxiv
12+阅读 · 2018年12月10日
Arxiv
6+阅读 · 2018年4月12日
Arxiv
4+阅读 · 2018年1月19日
小贴士
相关论文
Arxiv
5+阅读 · 2019年10月11日
SlowFast Networks for Video Recognition
Arxiv
4+阅读 · 2019年4月18日
Transfer Adaptation Learning: A Decade Survey
Arxiv
33+阅读 · 2019年3月12日
Learning Embedding Adaptation for Few-Shot Learning
Arxiv
12+阅读 · 2018年12月10日
Arxiv
6+阅读 · 2018年4月12日
Arxiv
4+阅读 · 2018年1月19日
微信扫码咨询专知VIP会员