自监督频谱对齐库普曼网络

跨域时序预测平均提升49%

通过共享嵌入和算子对齐，让多个领域的时序数据共享一致的动态模式，跨域预测不再被动力学差异拖累。

张百灵

Neurocomputing 2025

参数信息

平均绝对误差改善

49.4 %

低维信号平均绝对误差改善

81.1 %

技术优势

跨域误差降近一半

所有迁移任务上平均MAE较现有方法改善49.4%，说明对齐后的动态模型能更准确地捕捉目标域演化规律。

低维信号迁移更准

在低维生理信号上改善幅度达81.1%，对于传感器、可穿戴等低维时序场景，本方法能大幅降低预测误差。

算子谱对齐可解释

通过Procrustes分析对齐特征向量，最小化谱基之间的Frobenius范数，使不同域的基本动态模式显式共享，而非仅在特征空间对齐。

自监督增强更稳健

结合自监督一致性损失对时间抖动、缩放、掩码等增强保持表示稳定，使得模型对输入扰动不敏感，迁移时更可靠。

应用场景

• 机器人时序控制：将跨域对齐的动态模型用于机器人控制，使学到的运动规律在不同本体或环境下迁移，减少重新标定和调参。
• 生理信号跨用户建模：对齐不同用户的生理信号动态，让模型在用户间迁移，缓解个体差异导致的数据稀缺，提升健康监测模型的泛化能力。
• 传感器时序预测：将不同传感器或部署环境下的时序模式对齐，实现跨传感器预测，减少每个新场景的标注和训练成本。
• 可穿戴健康监测数据迁移：在可穿戴设备间迁移健康监测模型，对齐不同穿戴场景下的动力学，使模型适应新设备或佩戴方式而无需大量重训。