본 논문은 시간 시계열 분석에서 발생하는 도메인 이동 문제를 해결하기 위해, 표현 공간 분해라는 관점에서 비지도 도메인 적응(UDA)을 수행하는 새로운 프레임워크인 DARSD를 제안합니다. 기존 UDA 방법들이 특징들을 하나의 독립적인 개체로 취급하는 것과 달리, DARSD는 특징의 내재적 구성을 고려하여 전달 가능한 지식과 혼합된 표현을 분리합니다. DARSD는 세 가지 주요 구성 요소로 이루어져 있습니다. 첫째, 도메인 불변 하위 공간으로 원본 특징을 투영하는 적대적 학습 가능한 공통 불변 기저, 둘째, 신뢰도에 기반하여 타겟 특징을 동적으로 분리하는 원형 의사 라벨링 메커니즘, 셋째, 특징 클러스터링과 일관성을 강화하는 동시에 분포 격차를 완화하는 하이브리드 대조 학습 전략입니다. WISDM, HAR, HHAR, MFD 네 가지 벤치마크에 대한 실험 결과, DARSD는 12개의 다른 UDA 알고리즘에 비해 우수한 성능을 보이며, 53개 시나리오 중 35개에서 최적의 성능을 달성하고 모든 벤치마크에서 1위를 차지했습니다.
