POND：基于信息感知提示调优的多源时间序列领域自适应

时间序列领域自适应是一个关键且复杂的挑战，具有多种应用，包括但不限于人类活动识别、睡眠阶段分类和机器故障诊断。尽管已提出众多领域自适应技术来解决这一复杂问题，但它们主要关注从单一源领域进行领域自适应。然而，由于具有更大提升的潜力，研究多领域领域自适应更为关键。为了解决这一问题，需要克服三个重要挑战：1). 缺乏利用领域特定信息进行领域自适应的探索；2). 难以学习随时间变化的领域特定信息；3). 难以评估学习到的领域特定信息。为了同时应对这些挑战，本文提出了基于提示的领域判别（PrOmpt-based domaiN Discrimination, POND），这是首个利用提示进行时间序列领域自适应的框架。具体而言，为应对挑战 1，我们将提示调优的思想扩展到时间序列分析中，并学习提示以从所有源领域捕获共性和领域特定信息。为应对挑战 2，我们为每个源领域引入一个条件模块，从时间序列输入数据中生成提示。为应对挑战 3，我们提出了两个选择良好提示的标准，用于选择最适合领域自适应的源领域。通过在涵盖四个数据集的 50 种场景下的实验，我们广泛验证了所提出的 POND 模型的有效性和鲁棒性。实验结果表明，我们提出的 POND 模型在 F1 分数上比所有 SOTA 对比方法高出最多 $66\%$。