本研究提出了一种新方法，解决多变量时间序列分类中的高维数据建模和标签数据不足的问题。通过整合额外信息与主体关系，利用对比时序自注意力模块和动态时间扭曲技术构建异构图。实验结果表明，该方法在多个数据集上优于现有技术，具有重要应用价值。

本文介绍了一种基于对抗领域自适应和图卷积的图传输学习框架AdaGCN，用于解决跨网络节点分类问题。该框架能够在标签数据不足的情况下，从部分标记的源网络中利用标记信息辅助完全未标记或只有部分标记的目标网络节点分类。通过实验验证了AdaGCN在标签率低和源目标领域差异显著的情况下都能成功传输类信息。