Page 184 - 《软件学报》2025年第12期

李梓健 等: 基于隐变量解耦学习的时间序列领域自适应方法 5565

表 5 WISDM 实验结果及其对比实验 (%)

Models 4→8 13→7 34→10 13→2 10→1 13→10 5→10 17→10 33→7 2→10 35→10 12→10
DDC 73.23 65.56 68.11 57.38 69.06 40.78 69.98 42.61 63.55 72.21 55.43 52.67
DANN 69.44 68.52 67.82 61.48 77.15 53.01 71.17 61.17 59.64 68.9 58.86 67.37
HoMM 71.27 69.17 64.21 66.34 66.98 58.36 71.87 59.37 65.9 65.97 51.05 64.77
CoDATS 72.3 65.15 63.35 59.1 70.01 65.69 74.32 69.06 59.73 67.59 60.37 67.45
DSAN 82.15 57.28 66.62 56.78 78.7 66.89 73.68 65.63 50.28 70.09 61.19 51.59
AdvSKM 68.43 67.2 68.75 67.82 71.91 46.12 69.7 49.14 60.68 70.86 54.61 62.27
SASA 73.53 55.72 64.92 66.71 76.18 65.08 64.14 64.5 43.92 66.64 55.81 64.23
CLUDA 64.46 55.5 67.38 57.37 67.63 59.99 69.68 43.99 60.3 66.98 42.63 59
Raincoat 77.45 56.65 64.07 56.53 68.42 66.49 64.08 64.6 51.91 64.1 50.67 61.5
SASA-IV 82.35 58.15 61.41 64.62 79.58 63.51 62.48 65.75 58.02 67.27 57.22 64.43
DIVV 82.96 70.97 69.07 69.01 81.1 67.54 75.26 67.47 67.18 74.27 63.12 68.54

1) 本方法在 F1 指标上表现总体优于其他 10 个对比方法, 证明了本方法优越的泛化性能.
2) 基于因果性学习的方法 SASA-IV 效果比传统的领域自适应方法如 DDC、HoMM 要好. 这是因为 WISDM
数据集的数据维度包括加速度、角速度和时间戳信息, 不同变量之间存在一定的时延因果关系, 因此 SASA-IV 能
更充分地学习该数据集的信息.
3) 时间序列领域自适应方法如 DIVV 相比于非时间序列领域自适应方法如 DANN 效果更好, 这表明将非时
间序列领域自适应方法应用于时间序列数据中存在局限性.
5.6 消融实验结果
为了更直观地体现本方法各模块的有效性, 本文提出了 3 种不同的模型变种, 如下所示.
L pa 项去掉, 并且将得到的模型变种称为 DIVV-w
a) 为了验证本文提出的基特征对齐不变约束的有效性, 本文将
方法.
b) 为了验证本文提出的基于可识别理论的解耦模型的有效性, 本文将 L VAE 去掉, 并且将得到的模型变种称为
DIVV-d 方法.
c) 为了验证本文提出的数据增广操作的有效性, 本文将数据增广操作去掉, 并且将得到的模型变种称为
DIVV-r 方法.
此外, 为了验证不同的对齐方法, 本文将正交特征对齐模块对齐替换成欧氏距离对齐和 MMD (maximum
mean discrepancy) 对齐, 并且分别将得到的模型变种成为 DIVV-O 和 DIVV-M.
为了对比不同模型变种之间的性能, 本文在 UCIHAR 和 WISDM 数据集上分别随机选择 4 组跨域场景来做
消融实验, 并将各消融实验的结果以柱状图形式进行可视化, 如后文图 4 和后文图 5 所示, 可得出以下结论: 1) 本
文所提出方法优于各消融模型, 证明了本文提出的各个组件的必要性和有效性. 2) 在 UCIHAR 数据集中的 12→6
和 23→12 以及 WISDM 数据集中的 13→10 和 12→10 方向中, DIVV-w 方法相对于标准的 DIVV 方法性能下降
L VAE , 发现在多个方向中实验结果
最多, 证明了本文提出的基特征对齐不变约束的有效性. 3) 本文进一步通过去除
都有不同程度的下降, 证明了本文基于可识别性的解耦理论在真实场景下的有效性. 4) 通过去除数据增广操作, 本
文发现在大多数的迁移任务中都有下降, 证明了数据增广操作的可以有效地提升模型的泛化性. 5) 本文另外发现
在 UCIHAR 数据集中的 23→21 迁移任务中 DIVV-d 和 DIVV-r 的实验结果变化不大, 这是因为这个迁移任务本
身比较简单, 难以体现不同模型变种的差异性.
为了验证正交特征对齐模块的有效性, 本文进一步使用欧氏距离或者 MMD 进行替代并且在 WISDM 数据集
上进行实验, 实验结果如后文表 6 所示. 由实验结果可知, 本文所提出的正交特征对齐模块能够更好地提取到解耦
特征, 从而在下游任务中取得更好的分类效果.
5.7 预测结果可视化
为了验证本文提取的领域不变特征的有效性和本文基于可识别性理论的解耦方法的正确性, 本文进一步提供
了基于 T-SNE 的可视化分析, 并与 CLUDA 和 Raincoat 两个基于时间序列数据的领域自适应方法进行比较, 实验