【ICML2023】特征和标签偏移下时间序列的域适应

在源领域的带标签数据集上训练的模型向无标签目标领域的迁移通过无监督领域自适应（UDA）实现。然而，在处理复杂的时间序列模型时，由于不同领域间存在动态时间结构差异，导致特征偏移和时间频率表示的空缺，使得迁移能力变得具有挑战性。此外，源领域和目标领域的任务可能具有截然不同的标签分布，这使得 UDA 很难缓解标签偏移和识别仅存在于目标领域的标签。我们提出了 RAINCOAT，这是第一个用于复杂时间序列的封闭集和通用 DA 的模型。RAINCOAT 通过考虑时间和频率特征，跨领域对齐它们，并纠正不对齐来解决特征和标签偏移问题，从而有助于检测私有标签。此外，RAINCOAT 通过识别目标领域的标签偏移来提高迁移能力。我们在5个数据集和13个最先进的 UDA 方法上的实验表明，RAINCOAT 可以实现最高达 16.33% 的性能改进，并且可以有效处理封闭集和通用自适应。

https://www.zhuanzhi.ai/paper/5a24ce01774105793faf536c6b26090c