본 논문은 다변량 시계열(MTS) 분류를 위한 비지도 도메인 적응(UDA) 문제를 다룬다. 기존 UDA 방법들이 다변량 시계열 데이터에서 변수 간 상관관계의 도메인 간 차이를 간과한 점을 지적하며, 상관관계 변화(correlation shift)라는 새로운 도메인 이동 개념을 제시한다. 이를 해결하기 위해, 다양한 Transformer 변형 모델과 호환되는 플러그 앤 플레이 방식의 CATS(Correlation Adapter for MTS)를 제안한다. CATS는 시간적 합성곱을 이용하여 국소 시간 패턴을 포착하고, 그래프 어텐션 모듈을 사용하여 변화하는 다변량 상관관계를 모델링한다. 이를 통해 이론적으로 보장된 정밀도로 타겟 상관관계의 가중치를 재조정하여 소스 상관관계와 정렬하고, 상관관계 정렬 손실을 추가하여 MTS 데이터의 비 독립 동일 분포(non-i.i.d.) 특성으로 인한 정렬 문제를 우회한다. 실험 결과, CATS는 기존 Transformer 기반 모델에 비해 정확도를 10% 이상 향상시키면서 매개변수는 약 1%만 증가시키는 효율성을 보였으며, CATS를 적용한 모든 Transformer 변형 모델이 최첨단 기준 성능에 도달하거나 능가하는 것을 확인하였다.
