基于位置正则化的时频谱填补：源自由时间序列域自适应新方法

《Neurocomputing》：Position regularization-based temporal-spectral imputation for source-free time-series domain adaptation

本文提出了一种创新的源自由域自适应（SFDA）方法PRTSI，通过引入绝对位置正则化（APR）和时频谱填补器（TSI），解决了传统MAsking和imPUting（MAPU）策略在时间序列分类（TSC）中忽略关键模式绝对位置和频谱依赖性的问题。该方法在三个基准数据集上验证了其优越性能，为医疗传感数据等隐私敏感场景提供了新的SFDA解决方案。

　　

亮点

我们的PRTSI模型通过两个创新模块显著提升了SFDA性能：绝对位置正则化（APR）通过自注意力机制保留关键模式的序列关系；时频谱填补器（TSI）结合频谱块和交互块，动态学习去噪阈值并捕获双向长期依赖关系。

源自由域自适应结果

表4、表5、表6展示了PRTSI模型在UCIHAR、MFD和WISDM数据集上五个SFDA任务的平均性能（采用MF1指标评估）。与现有最佳模型（SOTA）对比显示：在UCIHAR数据集中，PRTSI在4/5任务中取得最优结果；在MFD和WISDM数据集中，其分类精度全面超越所有基线模型。特别值得注意的是，传统无监督域自适应（UDA）模型因需要源域数据而存在隐私风险，而PRTSI在保证数据安全的前提下实现了更优的跨域分类性能。

消融实验分析

我们进一步验证了APR和TSI模块的贡献：移除APR会导致关键模式位置敏感度下降，而禁用TSI会使频谱特征提取能力减弱。参数敏感性实验表明，掩蔽率为40%时模型达到最佳平衡，过高或过低的掩蔽率均会影响跨域特征对齐效果。

局限性讨论

当前模型在处理超长序列时计算效率有待提升，且对极端域偏移场景的适应性仍需加强。未来工作将探索轻量级架构和动态频谱优化策略。

结论

本研究针对时间序列SFDA任务中关键模式位置忽略和频谱依赖不足的瓶颈，提出了融合位置正则化与时频谱填补的创新解决方案。实验证明PRTSI在多个医疗传感基准数据集上显著提升分类性能，为可穿戴设备健康监测等生命科学应用提供了兼顾精度与隐私的域自适应新范式。