ERIS：面向超出分布时间序列分类的能量引导特征解�合框架
机器学习
2026-05-20 v2 人工智能
摘要
理想的时间序列分类 (TSC) 应能够捕获不变的表征，但要在超出分布 (OOD) 数据上实现可靠性能仍是核心挑战。这一挑战源于模型本质上将领域特定特征与标签相关特征缠合在一起，导致虚假关联。虽然特征解�合旨在解决此问题，但当前方法大多缺乏导向性，无法为隔离真正普遍特征提供语义方向。为此，我们提出一种面向引导且可靠的特征解�合框架——基于能量正则化信息的移位鲁棒性 (ERIS)。核心思想是：有效的解�合不仅需要数学约束，还需要语义引导以锚定分离过程。ERIS 包含三个关键机制以实现目标。具体而言，我们首先引入能量引导的校准机制，为分离提供关键语义引导，使模型能够自我校准。此外，权重层面的正交策略强制域特定特征与标签相关特征之间的结构独立性，从而减轻其相互干扰。此外，一个辅助性对抗性泛化机制通过注入结构化扰动来增强鲁棒性。在四个基准测试中进行的实验表明，ERIS 在统计上显著优于最先进的基线方法，始终稳居性能榜首。
引用
@article{arxiv.2508.14134,
title = {ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification},
author = {Xin Wu and Fei Teng and Ji Zhang and Xingwang Li and Yuxuan Liang},
journal= {arXiv preprint arXiv:2508.14134},
year = {2026}
}