从纠缠到对齐：基于表示空间分解的无监督时间序列域适应
机器学习
2025-08-07 v3 人工智能
摘要
域漂移在时间序列分析中提出了根本性挑战，在该领域中，在源域上训练的模型在目标域（具有不同但相似分布）中常常会出现灾难性失败。尽管当前的无监督域适应（UDA）方法试图对齐跨域特征分布，但它们通常将特征视为不可分割的实体，忽略了主导域适应的内在组成。我们引入了 DARSD—a 一个具有理论可解释性的新型 UDA 框架，其显式地从表示空间分解的角度实现 UDA 任务。我们的核心洞见是，有效的域适应不仅需要对齐，还需要对可转移知识进行原则性的解缠。DARSD 由三个协同组件组成：(I) 一个对抗性可学习的公共不变基，能够将原始特征投影到域不变子空间中，同时保留语义内容；(II) 一种原型伪标签机制，能够基于置信度动态分离目标特征，阻止误差累积；(III) 一种混合对比优化策略，同时强制特征聚类和一致性，同时减轻新出现的分布差距。在四个基准测试（WISDM、HAR、HHAR 和 MFD）上进行的全面实验表明，DARSD 在 12 种 UDA 算法中取得优异成绩，在 53 个场景中实现最佳性能，并在所有基准测试中名列前茅。
引用
@article{arxiv.2507.20968,
title = {From Entanglement to Alignment: Representation Space Decomposition for Unsupervised Time Series Domain Adaptation},
author = {Rongyao Cai and Ming Jin and Qingsong Wen and Kexin Zhang},
journal= {arXiv preprint arXiv:2507.20968},
year = {2025}
}
备注
15 pages, 7 figures