我们的研究提出了一种新颖的 Deep Generative Domain Adaptation with Temporal Attention (DGDATA) 方法，通过在领域适应过程中识别和整合时序数据中嵌入的时间关系，我们的方法改进了跨用户人体活动识别的分类性能。我们在三个面向不同场景和应用的公共基于传感器的人体活动识别数据集上进行了全面评估，以证明所提出的 DGDATA 方法的有效性。

Mar, 2024

基于深度时间状态领域自适应（DTSDA）模型，本研究旨在解决跨用户人类活动识别（cross-user HAR）中的行为变异性问题，通过利用活动中的不同子活动之间的时间关系，DTSDA 模型能够在不同用户之间建立起用户不变的时间关系，从而在跨用户 HAR 应用中展现出卓越的性能。

Mar, 2024

本文介绍了基于时间关系的最优运输（TROT）方法，利用时间关系来放松独立同分布的假设，实现准确、高效的跨用户活动识别领域自适应，并通过隐藏马尔可夫模型（HMM）和最优运输（OT）技术对活动进行时间关系对齐。综合实验表明，TROT 在三个公共活动识别数据集上优于其他先进方法。

Mar, 2024

本文提出了一种基于变分自动编码器的新型体系结构，可用于进行时序数据的合成生成，具有可解释性，能够编码领域知识，训练时间较短。实验表明，该方法在数据相似度和预测性方面均表现优异，依然能够准确地呈现原始数据的时态属性，并且对于下一步预测具有显著的改善效果。最后，该模型可以将特定领域的时间模式融入到生成模型中，提供可解释性的输出。

Nov, 2021

本文介绍了一种运用 VAE 和 Transformer-Based 架构实现人体运动序列的有条件生成，以及改进行为识别和降噪等两种应用。

Apr, 2021

本文提出了一种名为 ACVAE 的新方法，利用变分自编码器（VAE）和对抗训练来生成高质量的潜在变量，同时使用对比损失来学习个性化特征，并在捕捉序列的全局和局部相关性之前引入了卷积结构，实现了基于序列的推荐，实验表明，ACVAE 模型胜过其他现有的方法。

Mar, 2021

本文中我们提出了一种基于循环神经网络的变分自编码器模型，用于建模用户偏好，并且通过处理时间信息以改善精度。我们的模型可以捕捉用户消费序列中的时间依赖关系，并保持变分自编码器的基本特征。

Nov, 2018

通过利用公开标记的人体活动识别数据集进行转移学习，我们提出了一种经济有效的跨领域人体活动识别框架，以更好地处理具有非常有限标签信息的活动识别场景。

Oct, 2023

本文介绍了一种名为 SA-GAN（Subject Adaptor GAN）的对抗性学习方法，利用生成式对抗网络框架在穿戴传感器人体活动识别领域进行跨主体迁移学习，表现优于其他现有的方法，准确性高达 90%。

Mar, 2019

本文针对无监督视频领域自适应这一实用但具有挑战性的任务，首次从分离视点入手，对相关领域信息和时空语义信息进行数据转换，提出了一种 TranSVAE 框架并设计了多个目标函数，经强大的实验验证，相比几种现有技术，TranSVAE 具有更大的有效性和优越性。

Aug, 2022