Neues Verfahren verbessert Domain‑Anpassung bei Zeitreihen mit Unsicherheitsmodell

In der Welt der Zeitreihenanalyse stellen sich Daten häufig einer unerwarteten Verschiebung der Verteilung zwischen Trainings- und Testphase gegenüber. Unsupervised Domain Adaptation (UDA) versucht, Modelle so zu trainieren, dass sie auch ohne gelabelte Testdaten zuverlässig funktionieren. Ein neues Verfahren aus dem jüngsten arXiv‑Pape­rtitel „Uncertainty Awareness on Unsupervised Domain Adaptation for Time Series Data“ kombiniert zwei innovative Ideen, um dieses Problem anzugehen.

Der erste Baustein ist eine multi‑scale mixed‑input‑Architektur. Sie verarbeitet die Zeitreihen gleichzeitig auf verschiedenen Zeitskalen, wodurch die Trainingsdaten diversifiziert und die Diskrepanz zwischen den Merkmalen der Trainings‑ und Testdomäne reduziert wird. Durch die gleichzeitige Berücksichtigung kurzer und langer Muster kann das Modell robuster auf unterschiedliche Domänen reagieren.

Der zweite Baustein ist ein Unsicherheits‑Awareness‑Mechanismus, der evidential learning nutzt. Dabei wird eine Dirichlet‑Prior auf die Labels gelegt, sodass das Modell nicht nur Vorhersagen trifft, sondern gleichzeitig die Unsicherheit jeder Vorhersage quantifizieren kann. Diese Unsicherheitsinformation wird genutzt, um Features mit denselben Labels über die Domänen hinweg auszurichten, was die Anpassung weiter verbessert.

Die Kombination aus multi‑scale Architektur und Unsicherheitsbewusstsein führt zu signifikanten Leistungssteigerungen. Auf mehreren Benchmark‑Datensätzen erreicht das Modell den aktuellen Stand der Technik und weist gleichzeitig einen deutlich niedrigeren Expected Calibration Error (ECE) auf, was auf eine bessere Kalibrierung der Vorhersage‑Vertrauenswerte hinweist.

Zusammenfassend demonstriert das neue Verfahren, dass die Integration von Unsicherheitsbewusstsein in UDA‑Modelle die Generalisierung auf nicht gelabelte Testdaten erheblich steigern kann. Es eröffnet einen vielversprechenden Ansatz für die robuste Analyse von Zeitreihen in realen, dynamischen Umgebungen.