Bài báo này đề xuất DARSD, một khuôn khổ mới cho việc thích ứng miền không giám sát (UDA) theo quan điểm phân rã không gian biểu diễn, để giải quyết vấn đề dịch chuyển miền phát sinh trong phân tích chuỗi thời gian. Không giống như các phương pháp UDA hiện có coi các đặc điểm là các thực thể độc lập, DARSD xem xét thành phần vốn có của các đặc điểm và tách biệt kiến thức có thể chuyển giao khỏi các biểu diễn hỗn hợp. DARSD bao gồm ba thành phần chính: thứ nhất, một cơ sở bất biến chung có thể học được theo cách đối nghịch, chiếu các đặc điểm nguồn vào một không gian con bất biến miền; thứ hai, một cơ chế dán nhãn giả vòng tròn phân tách động các đặc điểm mục tiêu dựa trên độ tin cậy; và thứ ba, một chiến lược học tương phản lai giúp tăng cường khả năng phân cụm và tính nhất quán của đặc điểm đồng thời giảm thiểu các khoảng cách phân phối. Kết quả thử nghiệm trên bốn điểm chuẩn (WISDM, HAR, HHAR và MFD) cho thấy DARSD vượt trội hơn 12 thuật toán UDA khác, đạt hiệu suất tối ưu trong 35 trên 53 kịch bản và xếp hạng đầu tiên trên tất cả các điểm chuẩn.
