Resumen: La adaptación de dominio no supervisada (UDA) es esencial para adaptar modelos de aprendizaje automático a entornos nuevos y sin etiquetar donde los cambios de distribución de datos pueden degradar el rendimiento. Los algoritmos UDA existentes están diseñados para tareas de etiqueta única y dependen de recursos computacionales significativos, limitando su uso en escenarios de múltiples etiquetas y en dispositivos IoT con restricciones de recursos. Superar estas limitaciones es particularmente desafiante en contextos como la clasificación de sonido urbano, donde los sonidos superpuestos y las variables acústicas requieren capacidades sólidas y adaptativas múltiples en los sistemas de baja potencia y en disposición. Para abordar estas limitaciones, presentamos la adaptación de dominio no supervisado a escala de mote para sonidos (MUDAS), un marco UDA desarrollado para la clasificación de sonido de múltiples etiquetas en la configuración de IoT limitada por los recursos. Mudas adapta de manera eficiente modelos al volver a capacitar selectivamente el clasificador in situ utilizando datos de alta confianza, minimizando los requisitos computacionales y de memoria para adaptarse a la implementación en el dispositivo. Además, Mudas incorpora umbrales adaptativos específicos de clase para generar pseudo etiquetas confiables y aplica la regularización de la diversidad para mejorar la precisión de clasificación de múltiples marcas. En las evaluaciones sobre el conjunto de datos de etiquetado de sonido urbano (SonyC-UST) registrado en varias ubicaciones de la ciudad de Nueva York, Mudas demuestra mejoras notables en la precisión de clasificación sobre los algoritmos UDA existentes, logrando un buen rendimiento en un entorno de IoT con recursos.
Publicado Originalme en rss.arxiv.org El 15 de junio de 2025.
Ver Fuente Original
