CODiT：时间序列数据中的共形分布外检测
机器学习
2022-07-26 v1
摘要
机器学习模型容易对远离训练分布的输入做出错误预测。这阻碍了它们在自动驾驶和医疗等安全关键应用中的部署。针对单个数据点从训练分布发生偏移的检测已受到关注。人们已提出多种此类分布外（OOD）检测技术。但在许多应用中，机器学习模型的输入构成时间序列。现有的时间序列数据 OOD 检测技术要么未利用序列中的时间关系，要么不提供任何检测保证。我们提出在共形异常检测框架中，将偏离分布内时间等变性的程度作为非一致性度量，用于时间序列数据的 OOD 检测。基于所提度量计算多个共形检测器的独立预测，并通过 Fisher 方法组合这些预测，从而得到所提检测器 CODiT，其对时间序列数据中的误检提供保证。我们通过在自动驾驶计算机视觉数据集上取得最先进结果来说明 CODiT 的有效性。我们还通过在生理 GAIT 感官数据集上实验表明，CODiT 可用于非视觉数据集的 OOD 检测。代码、数据和训练好的模型可在 https://github.com/kaustubhsridhar/time-series-OOD 获取。
引用
@article{arxiv.2207.11769,
title = {CODiT: Conformal Out-of-Distribution Detection in Time-Series Data},
author = {Ramneet Kaur and Kaustubh Sridhar and Sangdon Park and Susmit Jha and Anirban Roy and Oleg Sokolsky and Insup Lee},
journal= {arXiv preprint arXiv:2207.11769},
year = {2022}
}