De grandes quantités de données non étiquetées sont souvent disponibles, mais l'étape d'annotation est généralement une tâche fastidieuse et/ou coûteuse. En apprentissage non supervisé, l'adaptation de domaine peut résoudre ce problème en exploitant les étiquettes d'un domaine source pour classifier des données d'un domaine cible, similaire mais différent. Dans le cas de séries temporelles, des défis supplémentaires surviennent, notamment en raison des décalages temporels potentiels qui s'ajoutent aux décalages de distribution entre les domaines.

Nous présentons une méthode dénommée Match-And-Deform (MAD) qui vise à relever ces défis en identifiant les correspondances entre les séries temporelles des domaines source et cible tout en tenant compte des distorsions temporelles. Le problème d'optimisation associé aligne simultanément (1) les séries en optimisant un coût de transport optimal et (2) les temps à l'aide de dynamic time warping. Intégré dans un réseau de neurones profond, MAD permet l'apprentissage de nouvelles représentations des séries temporelles, alignant les domaines et améliorant le pouvoir discriminant du réseau.

La méthode est évaluée empiriquement sur des données de référence et des données réelles de télédétection, démontrant l'efficacité de MAD: les séries sont appariées de façon pertinentes et les décalages temporels sont estimés avec précision. Des performances de classification comparables ou supérieures aux stratégies d'adaptation de domaine de séries temporelles profondes l'état de l'art sont également obtenues.