DOMINO 是一种新型的 HDC 学习框架，用于处理嘈杂的多传感器时间序列数据中的分布偏移问题。通过在高维空间上进行高效且并行的矩阵运算，DOMINO 能够动态地识别和过滤出领域变异的维度，从而在多传感器时间序列分类任务中取得了较好的准确性和速度优势。此外，在从部分标记的和高度不平衡的数据中进行学习时，DOMINO 相比于 SOTA DNNs 提供了更高的稳健性，对硬件噪声有着更好的抵抗能力。

Aug, 2023

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

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

该研究在时域天文学中使用多个大规模数据集实时进行分析，开发了多源流的机器学习模型。研究者通过研究 HiTS、DES、ATLAS 和 ZTF 等四个不同数据集之间的领域转换，通过精细调整和半监督深度领域自适应的 Minimax Entropy (MME) 方法改进了一种纯粹深度学习分类模型的性能。通过对不同源目标场景的模型进行平衡准确性比较，发现即便仅使用目标数据集中每类一个标记样本，精细调整和 MME 模型都能显著提高基础模型的性能，而 MME 模型不会影响源数据集上的性能。

Aug, 2023

通过对多模式移动传感数据进行无监督域自适应的多分支对抗训练，我们的方法在未知领域上表现出色，相较于在源领域训练的模型，分类任务的 AUC（特征曲线下面积）提高了 12％，回归任务的 MAE（平均绝对误差）提高了 0.13。

Apr, 2024

我们提出了一种名为 POND 的深度学习模型，专门用于多源时间序列领域适应性，通过实验验证表明，我们的 POND 模型在 F1 得分上超过现有方法高达 66%。

Dec, 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

我们开发了 ADATIME 评估套件，通过对 10 种最新颖的域适应方法在 20 个跨域场景下的四个代表性数据集的广泛实验来系统地和公平地评估不同的域适应方法在时间序列数据上的成功应用，并发现了可以根据实际模型选择方法选择超参数，并为该领域的未来工作奠定了坚实的基础。

Mar, 2022

多源领域自适应算法通过回归问题的两步骤流程，提供了在多个源领域利用信息进行预测的方法，其中使用了灵活的单源自适应算法和集成学习，通过多种学习范式在目标适应学习器中实现线性组合，改进了预测性能。

Dec, 2023