Please enable JavaScript.

Coggle requires JavaScript to display documents.

小样本, P0015，C002 概念漂移。利用训练好的类分类器在线检测目标域中的异常样本。然而，当在线应用离线训练的模型时，因为训练数据的概率…

- - - - S0011，C002
        无监督域自适应(UDA)方法，可降低标注时间序列系统监测数据的成本，该方法使用来自一个或多个源域的已标记数据和来自目标域的未标记数据来训练分类器。
        
        P0012，C002
        这些UDA方法需要大量的标记训练数据，即需要源域提供足够的标记样本[41]。
        
        S0012，C002
        将FSL方法(V0002)和UDA方法(S0011)相结合。
        
        P0014，C002
        UDA的目标是对齐源数据分布和目标数据分布；而FSL的目标是区分目标域和任何源域的类分布，这意味着对准源域和目标域的分布可能会损害FSL的性能。因此，现有FSL和UDA方法的简单组合不能很好地工作。
        
        S0013，C002
        对抗三元组网络通过有效地利用不同持续时间的增广时间序列数据，并彻底识别时间序列数据的域相似性和类相似性来学习分类器。我们介绍三元组网络，因为它对不平衡的数据集更健壮，特别是对于小样本的场景。
        两个三元组网络共享并对抗更新一个嵌入网络，得到一个域分类器和一个类分类器。该类分类器可以检测出目标域中不可见的异常样本。
        三元组网络：E. Hoffer, N. Ailon, Deep metric learning using triplet network, in: Y. Bengio, Y. LeCun (Eds.), ICLR 2015, San Diego, CA, USA, May 7-9, 2015, Workshop Track Proceedings, 2015.
        看了一眼，所谓的三元组网络好像就是对比学习。
        数据增强：通过借用上下文正常样本来生成更多的异常样本。与预测样本标签的先前数据增强方法相比，该方法不会产生误导性标签(假阳性或假阴性)。此外，这种类型的增强可以更好地解决数据不平衡问题。
        每个原始异常样本与其上下文正常样本相结合，然后以与原始异常样本的最后一个实例不同的长度对组合结果进行截断，从而产生许多截断样本。
        四元组缓解了由于每个源域的异常样本非常少而引起的对抗域自适应的挑战。这应该和对比学习的原理一致。