Bài báo này đề xuất DARSD, một khuôn khổ thích ứng miền không giám sát (UDA) mới để giải quyết vấn đề dịch chuyển miền trong phân tích chuỗi thời gian. Không giống như các phương pháp UDA hiện có coi các đặc điểm là các phần tử riêng lẻ, DARSD giải quyết vấn đề UDA từ góc độ phân rã không gian biểu diễn bằng cách xem xét thành phần bên trong của các đặc điểm. DARSD bao gồm ba thành phần chính: (I) một cơ sở bất biến chung có thể học được theo cách đối nghịch, chiếu các đặc điểm vào các không gian con bất biến miền; (II) một cơ chế dán nhãn giả vòng tròn phân tách động các đặc điểm mục tiêu dựa trên độ tin cậy; và (III) một chiến lược học tương phản lai đồng thời tăng cường khả năng phân cụm và tính nhất quán của đặc điểm trong khi giảm thiểu sự khác biệt về phân phối. Trên bốn tập dữ liệu chuẩn (WISDM, HAR, HHAR và MFD), DARSD đạt hiệu suất tối ưu trong 35 trong số 53 kịch bản, xếp hạng đầu tiên trong tất cả các điểm chuẩn, so với 12 thuật toán UDA.
