본 논문은 시계열 데이터에 대한 비지도 도메인 적응(UDA) 문제를 해결하기 위해 새로운 접근법인 TransPL을 제시합니다. 기존의 의사 레이블링 전략은 시계열 패턴과 도메인 간 채널별 변화를 제대로 포착하지 못해 최적이 아닌 의사 레이블을 생성하는 한계를 가지고 있습니다. TransPL은 시계열 패치의 벡터 양자화(VQ)에서 얻은 코드를 통해 소스 도메인의 결합 분포 $P(\mathbf{X}, y)$를 코드 전이 행렬로 모델링함으로써 이러한 한계를 해결합니다. 소스 도메인에서 클래스 및 채널별 코드 전이 행렬을 구성하고, 베이즈 정리를 사용하여 타겟 도메인 적응을 수행하며, 채널별 가중 클래스 조건부 우도를 기반으로 의사 레이블을 생성합니다. TransPL은 시계열 전이 및 도메인 간 채널별 변화의 명시적 모델링, 다양한 UDA 시나리오(예: 약하게 감독되는 UDA)에 대한 다양성, 설명 가능한 의사 레이블 생성이라는 세 가지 주요 장점을 제공합니다. 네 가지 시계열 UDA 벤치마크에 대한 광범위한 분석을 통해 TransPL의 효과를 검증하고, 최첨단 의사 레이블링 방법보다 상당한 성능 향상(정확도 6.1%, F1 4.9%)을 보이며 학습된 코드 전이 행렬을 통해 도메인 적응 과정에 대한 해석 가능한 통찰력을 제공함을 확인했습니다.
