无监督的域适应性(UDA)旨在使用标记的源域学习机器学习模型,该源域在类似但不同的未标记目标域上表现良好。 UDA在许多应用(例如医学)中很重要,在医学上,它用于适应不同患者队列的风险评分。在本文中,我们为UDA的时间序列数据(称为Cluda)开发了一个新颖的框架。具体而言,我们提出了一个对比度学习框架,以学习多元时间序列中的域不变语义,以便为预测任务保留标签信息。在我们的框架中,我们通过最近的邻居对比学习进一步捕获源和目标域之间的语义变化。据我们所知,我们的第一个框架是学习时间序列数据UDA的域不变语义信息。我们使用医学时间序列(即Mimic-IV和Amsterdamumcdb)使用大规模的现实世界数据集评估我们的框架,以证明其有效性,并表明它在UDA时实现了最先进的性能。
translated by 谷歌翻译