本研究基于深度学习方法，针对时间序列数据提出了一个全面的基准评估标准，主要解决无监督域适应在时序分类中的不足，通过引入七个新的基准数据集，涵盖了各种模态转换和时间动态问题，并利用先进的神经网络骨干（如 Inception）进行方法评估，不仅突出了各种方法的优势和限制，而且符合无监督域适应的本质，对实际问题具有直接应用性，为时间序列数据中的领域适应解决方案的研究推进和创新提供了重要资源。

Dec, 2023

通过深度增强学习和上下文采样来建立时间序列领域自适应模型，以实现相似或不同领域之间的知识转移，并且在三个公开数据集上取得了良好的效果。

Apr, 2023

在这篇论文中，我们介绍了 Match-And-Deform（MAD）方法，它旨在寻找源时间序列和目标时间序列之间的对应关系，同时允许时间扭曲。通过最优输运损失和动态时间扭曲，相关的优化问题可以同时对齐时间序列和时间戳。将 MAD 嵌入到深度神经网络中，有助于学习时间序列的新表示方法，既能对齐不同领域的时间序列，又能最大限度地提高网络的判别能力。基准数据集和遥感数据的实证研究表明，MAD 能够进行有意义的样本配对和时间偏移估计，并达到与最先进的深度时间序列领域自适应策略相似或更好的分类性能。

Aug, 2023

提出了一种新颖的域适应预测框架（Domain Adaptation Forecaster，DAF），该框架利用统计上的优势，从具有大量数据样本的相关领域（源）汲取经验，从而提高目标领域（带有有限数据量的）的性能，实现了对源和目标域的联合培训，并展示了在各种领域上的出色表现。

Feb, 2021

本文提出一种新的基于监督学习的域适应技术，利用最优传输方法和嵌入相似性技术，从少量样本中搜索最优类别相关转换，并在推理中选择相应的转换，能够减小领域差异，并在多个包括模拟和手写数据集的领域漂移时间序列数据集上进行了广泛的评估。

Apr, 2022

本文提出了一种名为 CLUDA 的新颖的时序数据无监督领域适应框架，旨在使用对比学习框架来学习多变量时间序列的语境表示，并通过自定义最近邻对比学习来捕获源域和目标域之间的上下文表示变化，从而实现了在时间序列领域中学习域不变上下文表示的方法，并可用于对多种时间序列数据集进行评估以证明其有效性和卓越性能。

Jun, 2022

利用复杂时间序列建立了第一个用于封闭集和通用领域不受监督域自适应的深度学习模型 RAINCOAT，可实现跨领域的时频特征对齐并通过识别标签偏移来解决标签偏移问题，最多可以提高 16.33% 的性能表现。

Feb, 2023

TimeSeriesBench 是一个工业级基准测试平台，通过多个训练和测试范式、评估指标和数据集的结合共计 168 个评估设置，评估了现有算法的性能，并提供了异常检测算法的未来设计建议。

Feb, 2024

本文提出了一种结合无监督域自适应和对比表示学习的新颖多变量时序异常检测领域适应对比学习模型（DACAD），模型通过引入各种类型的合成异常来增强泛化能力，改善领域间未见异常类的一般化，提出了针对异常检测的有效中心熵分类器（CEC），有效学习源域中正常边界，广泛的实证验证结果表明 DACAD 在多个现实世界数据集上优于其他领先的时序异常检测和无监督域自适应模型，同时可以缓解有限标注数据对时序异常检测的挑战。

Apr, 2024

本文提出了一种新的卷积深度领域适应模型 CoDATS，该模型使用数据来自多个源域，可进一步提高复杂时间序列数据集的准确性。同时，使用弱监督目标域标签分布的领域适应方法 DA-WS，此方法在真实世界数据集上得到了广泛的应用和有效性验证。

May, 2020