Page 183 - 《软件学报》2025年第12期

5564 软件学报 2025 年第 36 卷第 12 期

4) 基于因果启发式学习的方法 SASA-IV 利用了稀疏结构对齐, 同样在时间序列分类的领域自适应任务中有
良好的表现, 证明了因果知识在解决领域自适应问题上的优势.

表 3 UCIHAR 实验结果及其对比实验 (%)

Models 12→16 14→24 19→16 1→18 23→21 24→16 24→18 25→16 3→16 3→18 5→16 8→18
DDC 59.99 71.34 66.62 86.69 83.41 63.62 77.8 65.17 70.11 80.66 48.85 85.43
DANN 66.68 73.55 63.5 77.5 80.73 66.65 86.14 63.95 69.21 88.98 48.88 80.16
HoMM 54.16 90.55 61.19 93.95 81.42 63.72 85.79 67.28 73.54 93.01 49.97 92.56
CoDATS 63.65 89.98 56.91 93.56 90.34 59.00 85.11 65.58 68.42 88.01 50.02 92.85
DSAN 61.71 90.37 57.95 95.35 90.4 64.99 88.26 62.21 59.09 87.18 55.83 92.51
AdvSKM 58.47 77.91 40.00 93.23 73.06 65.89 84.63 67.43 68.57 85.31 46.48 86.89
SASA 63.68 85.65 63.51 84.3 87.24 62.73 82.66 69.2 74.49 92.06 51.92 87.77
CLUDA 54.13 82.42 45.01 72.47 84.45 59.84 68.98 58.72 53.85 67.42 41.55 67.90
Raincoat 68.04 77.02 49.87 74.77 79.25 65.27 79.85 62.83 69.82 85.41 51.87 88.04
SASA-IV 65.95 86.88 66.66 79.12 90.45 62.80 83.92 71.02 73.92 91.26 52.83 88.91
DIVV 68.81 91.49 68.04 95.73 92.2 67.43 89.42 72.58 76.7 93.41 56.16 93.47

5.4 HHAR 实验结果
本节展示并分析 DIVV 的时间序列领域自适应方法在 HHAR 数据集下的实验结果. 与 UCIHAR 数据集类似,
本文将每个主题视为一个单独的领域, 并随机选择 12 组跨域场景, 分别为 0→1, 0→8, 1→7, 2→1, 3→1, 4→1,
4→5, 6→1, 7→1, 7→6, 8→0, 8→1.
表 4 展示了 HHAR 数据集的实验结果, 通过实验结果, 本文可得出以下结论: 1) 在 10 组跨域场景实验下, 本
方法实验结果在 F1 指标上均优于其他 10 个对比方法. 在部分迁移方向中, 例如 0→8 和 8→1, 相比最新的对比方
法, 本文获得 6.5%–10% 的提升. 2) 相比对抗和缩小域间差距, 基于频率对齐的方法如 AdvSKM 实验效果总体更
好, 因为时间序列数据对频率敏感, 此类方法更能很好地完成这个任务. 3) 基于频率建模的方法比如 AdvSKM 和
DIVV 的效果总体优于基于 CNN 提取特征进行对齐的方法比如 DDC, 因为 HHAR 具有一定的周期信息, 基于频
率建模的方法可充分学习其中频域信息.

表 4 HHAR 实验结果及其对比实验 (%)

Models 0→1 0→8 1→7 2→1 3→1 4→1 4→5 6→1 7→1 7→6 8→0 8→1
DDC 43.56 47.27 63.45 34.41 90.14 78.38 84.05 83.8 80.55 85.85 29.69 85.54
DANN 54.3 54.17 82.26 50.24 94.59 94.54 87.98 93.48 83.65 95.82 32.41 92.72
HoMM 49.56 68.54 86.35 40.17 96.09 86.84 90.64 89.44 81.19 86.68 37.95 92.87
CoDATS 55.74 71.91 89.51 44.59 96.35 94.65 92.96 92.1 87.91 95.11 41.84 93.76
DSAN 63.82 71.51 89.48 41.95 95.55 95.99 96.06 93.43 92.52 95.16 38.53 96.81
AdvSKM 42.17 54.95 67.62 41.24 87.45 78.51 87.14 87.06 75.66 85.71 37.78 86.81
SASA 60.4 63.78 89.9 47.17 94.73 85.5 89.7 93.38 86.54 94.34 38.31 91.93
CLUDA 59.87 61.28 89.28 50.9 95.05 92.1 88.77 91.32 91.56 90.55 40.35 90.47
Raincoat 47.82 44.42 86.81 35.19 91.66 76.57 63.8 91.26 78.22 90.01 34.56 94.75
SASA-IV 61.86 66.04 88.06 43.22 91.86 88.95 89.81 92.18 89.30 91.69 39.74 91.70
DIVV 64.64 73.71 91.28 53.57 96.5 96.36 96.85 94.2 93.56 96.59 43.05 97.46

5.5 WISDM 实验结果
本节展示并分析 DIVV 的时间序列领域自适应方法在 WISDM 数据集下的实验结果. 与 UCIHAR 数据集类
似, 本文将每个主题视为一个单独的领域, 并随机选择了 12 组跨域场景, 分别为 4→8, 13→7, 34→10, 13→2,
10→1, 13→10, 5→10, 17→10, 33→7, 2→10, 35→10, 12→10.
表 5 展示了 WISDM 数据集的实验结果. 通过这些结果, 本文得出以下结论.