绝大部分迁移学习算法都假定学习任务为图像分类。然而实际应用中并非只有图像这一种数据类型，实际的任务也并非只有分类。本文介绍「时间序列」数据上的迁移学习方法，特别地，我们将介绍迁移学习如何应用于时间序列的「回归和预测」任务。由于此类研究目前还较少，因此，其在未来有很高的研究和应用价值。

本文介绍一篇刚被数据挖掘国际权威会议CIKM 2021接收的长文，第一作者为南京大学杜云涛同学，其他作者来自微软亚洲研究院等单位。文章针对时间序列分布的动态变化特性，首次提出了时间序列的时序协方差漂移问题(Temporal Covariate Shift, TCS)，进而提出了AdaRNN方法解决了此问题，在分类和回归问题上比对比方法提高2.6%和9.0%的精度。另外，AdaRNN可以被简单地扩展到Transformer框架下，同样能够提高其表现。

 

论文地址：https://arxiv.org/abs/2108.04443

代码：https://github.com/jindongwang/transferlearning/tree/master/code/deep/adarnn

 

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除