Adaptation de domaines pour les séries temporelles – DATeS

Les modèles d'apprentissage machine supposent généralement que les données d'entraînement et de test sont distribuées de manière identique. Cependant, cette hypothèse s'effondre souvent dans les applications réelles en raison des changements dans les distributions de données au fil du temps et des contextes. L'adaptation de domaine **(Domain Adaptation)** aborde ce défi en permettant aux modèles d'exploiter des données étiquetées d'un domaine pour effectuer des tâches dans un domaine cible différent, souvent non étiqueté.

Les séries temporelles **(ST)** se composent de points de données enregistrés au fil du temps et deviennent omniprésentes avec les capteurs autonomes et les activités en ligne. Dans le contexte de l'adaptation de domaine, les séries temporelles présentent plusieurs défis, notamment le déséquilibre de classe, la dérive, les corrélations et dépendances temporelles, ainsi que des structures hiérarchiques se manifestant par des motifs périodiques multi-échelles.

Le projet DATeS vise trois défis fondamentaux de l'adaptation de domaine pour les séries temporelles : 1) réaliser efficacement un alignement à la fois temporel et entre domaine, grâce à de nouvelles formulations basées sur la généralisation du transport optimal et les modèles de diffusion ; 2) gérer les données manquantes et l'adaptation de domaine sans données source, où seul un modèle appris est disponible, par des approches de transport optimal ; 3) faire de la sélection de modèles/sources/hyperparamètres pour l'adaptation de domaine non supervisée (absence d'étiquettes cibles pour constituer un ensemble de validation), en apprenant des métriques adaptées aux séries temporelles.

Ce projet vise à repousser les frontières en adaptation de domaine pour les séries temporelles, en abordant des défis à la fois critiques et peu explorés. Bien qu'il soit motivé par les défis des séries temporelles, les résultats pourront s'appliquer plus largement à d'autres types de données.