通过参数子空间解耦实现高效的源无关时间序列适应
原文英文,约300词,阅读约需1分钟。发表于: 。The growing demand for personalized and private on-device applications highlights the importance of source-free unsupervised domain adaptation (SFDA) methods, especially for time-series data,...
随着个性化和隐私需求的增加,源无关无监督领域适应(SFDA)在时间序列数据中变得重要。我们提出了一种新方法,通过Tucker分解优化源模型权重,并在目标侧微调部分因子,提高效率和适应性。实验显示,该方法在资源受限设备上的时间序列应用中表现优异。