用于源自由域适应的时间序列分类的可组合迁移学习

由于时间序列的高度动态特性，域适应在时间序列分类中颇具挑战性。本研究针对最具挑战性的子任务——即目标标签不可得且源数据不可及的情况——进行了源自由域适应（source-free domain adaptation）。为复用在源数据上预训练的分类 backbone，时间序列重构是一种 sound 解决方案，通过最小化源和目标时间序列的重构误差来实现对齐。然而，仅在目标数据上对源预训练重构模型进行 fine-tuning 可能丢失已学习的 priori，且难以在单一 encoder-decoder 中容纳域间变化的时序模式。因此，本文尝试通过为时间序列重构采用可组合架构来解耦域迁移性（domain transferability）的组成部分。这里，前置组件是一个 frozen 状态的 U-net，预训练后其输出在适应期间是给定目标时间序列的初始重构，充当粗步骤，以触发后续更精细的适应。随后的更精细适应管道包括两个平行分支：一个使用残差链接保留 U-net 输出的 source replay 分支，另一个通过额外的 autoencoder（AE）对 U-net 输出进行进一步扭曲的 offset compensation 分支。通过在两个分支上部署可学习因子来缩放其在最终重构输出中的组合，从而解耦数据迁移性并保留从源数据中学习到的重构能力。在推理期间，除了训练中的 batch-level 优化外，我们在测试时搜索基于稳定性的源重放分支比例缩放，以容忍实例级变异。实验结果表明，这种可组合的架构导致在 3 个广泛使用的基准测试上实现 SOTA（state-of-the-art）性能。