基于梯度的时间序列分类模型快捷方式检测
机器学习
2025-10-14 v1 人工智能
摘要
深度学习模型在过去二十年里在时间序列分类（TSC）任务中吸引了大量研究注意力。最近，深度神经网络（DNN）已超过经典基于距离的方法，实现了最先进的性能。尽管如此，深度神经网络（DNN）被证明依赖于训练数据中存在的伪相关，这会阻碍泛化性。例如，模型可能错误地将草地的存在与标签“cat”关联，如果训练集中大多数猫都位于草地背景中。然而，DNN在时间序列中的快捷行为尚未得到充分探索。大多数现有快捷工作方法依赖外部属性（如性别、患者群体），而非关注时间序列模型中的内部偏差行为。本文我们首次探讨并建立基于点的深度学习时间序列分类中的快捷学习行为。我们进一步提出一种基于其他类别的简单检测方法，用于在不依赖测试数据或干净训练类别的情况下检测快捷是否发生。我们在UCR时间序列数据集上测试了我们的方法。
引用
@article{arxiv.2510.10075,
title = {Gradient-based Model Shortcut Detection for Time Series Classification},
author = {Salomon Ibarra and Frida Cantu and Kaixiong Zhou and Li Zhang},
journal= {arXiv preprint arXiv:2510.10075},
year = {2025}
}
备注
Code available at: https://github.com/IvorySnake02/SAG.git