Cet article propose DARSD, un nouveau cadre d'adaptation de domaine non supervisée (UDA) du point de vue de la décomposition de l'espace de représentation, afin de résoudre le problème de décalage de domaine posé par l'analyse des séries chronologiques. Contrairement aux méthodes UDA existantes qui traitent les caractéristiques comme des entités indépendantes, DARSD prend en compte la composition inhérente des caractéristiques et sépare les connaissances transférables des représentations mixtes. DARSD se compose de trois éléments principaux : premièrement, une base invariante commune apprenable de manière antagoniste qui projette les caractéristiques sources dans un sous-espace invariant au domaine ; deuxièmement, un mécanisme de pseudo-étiquetage circulaire qui sépare dynamiquement les caractéristiques cibles en fonction de la confiance ; et troisièmement, une stratégie d'apprentissage contrastif hybride qui améliore le regroupement et la cohérence des caractéristiques tout en atténuant les écarts de distribution. Les résultats expérimentaux obtenus sur quatre benchmarks (WISDM, HAR, HHAR et MFD) montrent que DARSD surpasse 12 autres algorithmes UDA, atteignant des performances optimales dans 35 des 53 scénarios et se classant premier dans tous les benchmarks.
