Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Del entrelazamiento a la alineación: descomposición del espacio de representación para la adaptación del dominio de series temporales no supervisadas

Created by
  • Haebom

Autor

Rongyao Cai, Ming Jin, Qingsong Wen y Kexin Zhang

Describir

Este artículo propone DARSD, un nuevo marco para la adaptación de dominio no supervisada (UDA) desde la perspectiva de la descomposición del espacio de representación, para abordar el problema del desplazamiento de dominio que surge en el análisis de series temporales. A diferencia de los métodos UDA existentes que tratan las características como entidades independientes, DARSD considera la composición inherente de las características y separa el conocimiento transferible de las representaciones mixtas. DARSD consta de tres componentes principales: primero, una base invariante común aprendible adversariamente que proyecta las características fuente en un subespacio invariante de dominio; segundo, un mecanismo de pseudoetiquetado circular que separa dinámicamente las características objetivo basándose en la confianza; y tercero, una estrategia híbrida de aprendizaje contrastivo que mejora la agrupación y la consistencia de las características, a la vez que mitiga las brechas distribucionales. Los resultados experimentales en cuatro puntos de referencia (WISDM, HAR, HHAR y MFD) muestran que DARSD supera a otros 12 algoritmos UDA, logrando un rendimiento óptimo en 35 de 53 escenarios y ocupando el primer lugar en todos los puntos de referencia.

Takeaways, Limitations

•
Takeaways:
◦
Presentamos un nuevo marco UDA, DARSD, basado en la descomposición del espacio de representación para abordar eficazmente el problema del cambio de dominio en el análisis de series de tiempo temporales.
◦
Superamos las limitaciones de los métodos existentes y simultáneamente logramos la extracción de características invariantes del dominio y la separación del conocimiento transferible.
◦
Su practicidad ha quedado demostrada al demostrar un excelente rendimiento en diversos puntos de referencia.
•
Limitations:
◦
Las mejoras de rendimiento del método propuesto podrían limitarse a un conjunto de datos de referencia específico. Se requieren experimentos adicionales con un conjunto de datos más diverso y extenso.
◦
Podrían faltar descripciones detalladas del ajuste de parámetros de las estrategias híbridas de aprendizaje contrastivo. Se requieren análisis más profundos para determinar la configuración óptima de los hiperparámetros.
◦
Los costos computacionales pueden ser elevados. Se necesita investigación para mejorar la eficiencia de las aplicaciones en tiempo real.
👍
Made with Slashpage