技术摘要：基于频率自适应的时域-频域对齐，用于无源时间序列自适应

问题定义

本文研究了针对时间序列数据的**无源领域自适应（Source-Free Domain Adaptation, SFDA）**挑战。在标准的无监督领域自适应（UDA）中，模型通过使用有标签的源数据和无标签的目标数据来进行分布对齐。然而，在许多现实场景中（例如敏感的工业或医疗应用），由于隐私法规、安全考量或传输成本，无法获取源数据。因此，目标是在仅使用源模型权重和目标数据的情况下，将预训练的源模型适配到无标签的目标领域。

现有的时间序列 SFDA 方法主要侧重于通过自监督机制（如伪标签、熵最小化）进行特征空间对齐。作者认为，这些方法很大程度上忽略了频谱分布偏移（spectral distribution shifts）。时间序列信号通常表现出在频率带和振幅分布上的内在变化，这些变化是由传感器灵敏度变化、环境条件或用户行为（如步长）等因素引起的。仅在时域或特征域进行适配可能无法捕捉这些频谱差异，从而导致特征失配和不可靠的伪标签。

方法论：SAFA 框架

作者提出了 SAFA（Temporal-Spectral Alignment with Frequency Adaptation，时域-频域对齐与频率自适应），这是一个分为两个不同阶段的框架。与传统的通过微调源模型的特征提取器或分类器的 SFDA 方法不同，SAFA 冻结了整个源模型，并引入了一个轻量级的可训练模块来在频率域内适配输入信号。

第一阶段：源预训练

在适配之前，源模型在有标签的源数据（$D_s$）上进行预训练，采用双重目标以确保鲁棒的时域表示：

1. 监督分类： 使用标准的交叉熵损失（$L_{ce}$）来学习判别性特征。
2. 时域插值（自监督）： 为了捕捉时域依赖关系，应用了一种掩码策略，即随机遮盖时间段。一个辅助的插值网络（$j_s$，通常为 LSTM）被训练用于从被遮盖的特征中重建原始特征表示。这最小化了均方误差（MSE）损失（$L_{imp}$）。
   总源目标函数为 $L_{source} = L_{ce} + L_{imp}$。由此获得特征提取器（$g_s$）、分类器（$h_s$）和插值器（$j_s$）。

第二阶段：无源频率适配

在适配阶段，权重 $g_s$、$h_s$ 和 $j_s$ 被完全冻结。适配由插入在特征提取器之前的可训练**频率适配层（Frequency Adaptation Layer, FAL）**驱动。该过程包括：

1. 频谱分解： 通过快速傅里叶变换（FFT）将目标信号（$x_t$）转换到频率域，将其分解为振幅（$A$）和相位（$\Phi$）分量。
2. 可学习扰动： 两个以零权重初始化的轻量级多层感知机（MLP）分别预测振幅和相位的自适应扰动（$\Delta A$ 和 $\Delta \Phi$）。这些扰动由超参数 $\alpha$ 和 $\beta$ 进行缩放，并以乘法方式应用：
   • $\hat{A} = A \odot (1 + \Delta A)$
   • $\hat{\Phi} = \Phi \odot (1 + \Delta \Phi)$
3. 信号重建： 修改后的频谱通过逆快速傅里叶变换（iFFT）转换回时域，生成适配后的信号 $\hat{x}_t$。

优化目标

由于目标标签不可用，FAL 使用两种自监督损失进行优化：

1. 信息最大化（IM）损失： 由熵最小化（鼓励高置信度预测）和多样性最大化（防止坍缩到单一类别）组成。
2. 时域输出验证（TOV）损失： 该损失利用冻结的插值网络 $j_s$ 作为验证器。适配后的特征 $z_t = g_s(\hat{x}_t)$ 被传递给 $j_s$，并最小化重建误差。这确保了适配后的信号能够保持在源预训练期间学到的时域逻辑。

最终目标函数为：$L_{total} = L_{ent} - \lambda_{div} L_{div} + \lambda_{tov} L_{TOV}$。

核心贡献

论文强调了三个主要贡献：

1. 信号级适配范式： 一种新颖的时间序列 SFDA 方法，其适配直接在输入信号层面通过频率调制完成，而非通过特征空间的微调。这避免了在没有源数据的情况下更新深度网络所带来的灾难性遗忘和优化不稳定性。
2. 轻量级频率适配层（FAL）： 一个参数高效的模块，通过调制振幅和相位分量，显式地将目标分布与源分布对齐。它在修正频谱偏移的同时，保留了预训练的时域表示能力。
3. 鲁棒性与泛化性： 该框架在多种异构基准测试中展示了卓越的性能，有效地处理了由传感器变化和用户差异引起的领域偏移。

实验结果

作者在三个异构基准数据集上评估了 SAFA：WISDM（人体活动识别）、MFD（机械故障诊断）和 Boiler（工业故障检测）。

• 性能表现： SAFA 在所有数据集上均一致实现了最先进的（SOTA）宏 F1 分数（MF1）结果。
  • MFD： 实现了 86.12% 的平均 MF1，超过第二名（CE-SFDA, 83.02%）3.1%。值得注意的是，在频率偏移显著的困难迁移场景（如 0→1 和 3→0）中，它表现出了极高的鲁棒性。
  • WISDM： 实现了 65.40% 的平均 MF1，超过了亚军（CE-SDFA, 60.91%）近 4.5%。该方法在涉及显著个体差异的任务中特别有效。
  • Boiler： 实现了 64.67% 的平均 MF1，超过了最佳基准方法（TemSR, 57.38%）超过 7%，证明了其在复杂多传感器工业数据上的可扩展性。
• 消融实验：
  • 移除 FAL 会导致性能大幅下降（平均 MF1 从 86.12% 降至 65.05%），证实了仅靠时域对齐不足以应对频谱偏移。
  • 移除 TOV 模块会使性能降至 78.06%，凸显了其在对抗噪声伪标签方面稳定训练的作用。
  • 解冻（Unfreezing） 特征提取器会导致性能降至 79.18%，表明冻结骨干网络可以防止灾难性遗忘。
• 参数敏感性： 该方法对振幅（$\alpha$）和相位（$\beta$）缩放因子的变化表现出鲁棒性，在广泛的超参数范围内保持性能稳定。

意义与主张

论文声称 SAFA 解决了时间序列领域自适应中的一个关键空白：忽视了频谱分布偏移。通过显式建模并适配频率域（振幅和相位），该方法有效地弥合了源分布与目标分布之间的差距，且无需访问源数据。

作者断言，其方法为隐私敏感型应用提供了一个更具实用性和稳定性的解决方案。通过冻结源模型并仅通过轻量级层在输入信号层面进行适配，该框架减轻了仅使用无标签目标数据更新深度神经网络时固有的过拟合和灾难性遗忘风险。结果表明，对于时间序列数据（其中领域偏移常表现为频率特性的变化，如由于传感器位置或速度的变化），频率域适配是实现鲁棒知识迁移的关键机制。