Cet article propose DARSD, un nouveau cadre d'adaptation de domaine non supervisée (UDA) pour résoudre le problème de décalage de domaine dans l'analyse des séries temporelles. Contrairement aux méthodes UDA existantes qui traitent les caractéristiques comme des éléments individuels, DARSD aborde le problème UDA du point de vue de la décomposition de l'espace de représentation en considérant la composition interne des caractéristiques. DARSD se compose de trois composants principaux : (I) une base invariante commune apprenable de manière antagoniste qui projette les caractéristiques dans des sous-espaces invariants de domaine ; (II) un mécanisme de pseudo-étiquetage circulaire qui sépare dynamiquement les caractéristiques cibles en fonction de la confiance ; et (III) une stratégie d'apprentissage contrastif hybride qui améliore simultanément le regroupement et la cohérence des caractéristiques tout en atténuant les différences de distribution. Sur quatre jeux de données de référence (WISDM, HAR, HHAR et MFD), DARSD atteint des performances optimales dans 35 des 53 scénarios, se classant premier dans tous les benchmarks, contre 12 algorithmes UDA.
