Page 382 - 《软件学报》2026年第3期

孙杰 等: 时序数据域自适应的时空卷积与对抗互学习 1345

们选择在第 3 层和第 5 层替换原有的 Encoder 层为 TPAM 模块, 并在其前后保留 Transformer 的 Encoder 层. 这种
设计基于以下考虑: 首先, 浅层 Encoder (第 1, 2 层) 主要提取基础特征表示, 为 TPAM 模块的时空特征建模提供良
好的基础; 其次, 中层的 TPAM 模块 (第 3、5 层) 能够在初步语义信息的基础上进行时空特征建模, 实现局部时空
模式与语义信息的有效融合; 最后, 深层 Encoder 继续提取高层语义特征, 并通过残差连接机制与 TPAM 提取的时
空特征进行深度整合. 这种间隔分布的设计不仅确保了特征提取的渐进性, 也避免了 TPAM 模块过度集中可能带
来的信息冗余. 通过这种多层次的特征提取和融合机制, 模型能够同时捕获数据的局部时空依赖关系和全局语义
信息, 从而生成更具判别力的特征表示.
2.2 域校正模块
域校正模块的目的是减轻不同域之间的数据分布偏移, 使得不同域的数据分布更加一致, 从而提高域分类的
准确率. 为了实现这一目的, 本文采用了对抗生成网络 (generative adversarial network, GAN) 作为域校正模块的基
础结构, 其具体结构如图 3 所示. 其中, G 为生成器, D 为判别器, Z 表示随机噪声, 虚线箭头表示反向传播过程中
的梯度流.

源域
生成的源域数据
目标域 G 生成的目标 D C
生成器 域数据 鉴别器 域分类器

噪声 Z 操作顺序预测 P 源域
目标域

图 3 域校正模块

GAN 是一种基于对抗训练的深度神经网络, 能够通过生成器和判别器的博弈, 学习数据的真实分布, 生成高
质量的数据. 本文将时序建模网络的输出 (包括源域与目标域) 作为生成器的输入, 将生成器的输出作为域分类器
C 的输入, 将域分类器的输出作为域分类的结果.
域校正模块中的判别器 D 和域分类器 C, 两者都是分类器, 但目标不同. 判别器 D 的目的是区分源域和目标
域的特征表示, 它试图区分哪些特征来自真实的目标域数据, 哪些特征是由生成器生成的. 而域分类器 C 的目的
是区分源域和目标域的数据样本, 它接收生成器生成的特征作为输入, 并判断这些特征属于哪个域. 简单来说, 判
别器 D 关注的是特征的真假, 而域分类器 C 关注的是特征的来源.
为了加强域校正模块的域校正能力, 本文在对抗训练的过程中, 引入了操作顺序互学习 (operation sequence
mutual learning, OSML) 的策略. 传统的 GAN 训练过程中, G 和 D 的优化顺序是固定的, 这可能导致 G 和 D 陷入
局部最优解, 或出现模式崩溃等问题. OSML 的思想是: 在每个训练迭代中, 操作顺序预测器 P 根据 G 和 D 的输
出, 预测下一个操作顺序是更新 G 还是更新 D. 操作顺序预测器 P 由一个全连接层和一个 Softmax 层组成, 输入
是 G 和 D 的输出的拼接, 输出是一个二维向量, 表示更新 G 或更新 D 的概率. 在每个训练迭代中, 随机选择一个
操作顺序, 即先更新 G 还是先更新 D, 然后将这个操作顺序作为一个额外的监督信号, 用于指导 G 或 D, 使其能够
预测下一个操作顺序, 并根据预测结果调整自己的参数. 这样, G 和 D 的博弈过程更加公平、高效, 最终达到纳什
均衡. OSML 的数学表达式为:

[ ] [ ] [ ( )]
[L OSML (P,D,G)] (7)
minmax G L(D,G) = E x∼p d logD(x) +E z∼p z log(1− D(G(z))) −ηE z∼p z H p g +γE z∼p z
( )
其中, L(D,G) 是生成器和判别器的对抗损失, 表示 D 尽可能地区分真实数据和假数据, G 尽可能地欺骗 D. H p g
是生成的假数据分布 p g 的熵, 表示生成分布的不确定性, 值越大表示生成样本越丰富多样. L OSML (P,D,G) 是操作
顺序互学习的损失函数, 表示生成器和判别器互相预测对方的操作顺序, 并根据预测结果调整自己的参数. η 和 γ
是权重超参数, 用于平衡不同的损失项.
域分类器 C 是一个神经网络模型, 它接收生成器 G 的时序特征输出, 通过隐藏层提取高层特征, 并通过输出