Este artículo propone DARSD, un novedoso marco de adaptación de dominio no supervisada (UDA) para resolver el problema del desplazamiento de dominio en el análisis de series temporales. A diferencia de los métodos UDA existentes que tratan las características como elementos individuales, DARSD aborda el problema UDA desde la perspectiva de la descomposición del espacio de representación, considerando la composición interna de las características. DARSD consta de tres componentes principales: (I) una base invariante común aprendible adversarialmente que proyecta las características en subespacios invariantes del dominio; (II) un mecanismo de pseudoetiquetado circular que separa dinámicamente las características objetivo basándose en la confianza; y (III) una estrategia híbrida de aprendizaje contrastivo que mejora simultáneamente la agrupación y la consistencia de las características, a la vez que mitiga las diferencias distribucionales. En cuatro conjuntos de datos de referencia (WISDM, HAR, HHAR y MFD), DARSD logra un rendimiento óptimo en 35 de 53 escenarios, ocupando el primer lugar en todos los puntos de referencia, en comparación con 12 algoritmos UDA.
