时间序列的外分布 generalization：综述
机器学习
2026-05-20 v3 人工智能
摘要
时间序列经常表现出分布迁移、多样化的潜在特征以及非平稳的学习动力学，尤其是在开放且不断演化的环境中。这些特征为外分布（OOD）generalization带来了重大挑战。尽管已有大量进展，但缺乏系统的综述。为填补这一空白，我们呈现首个关于时间序列外分布generalization方法的全面综述，旨在描绘该领域的演化轨迹和当代研究图景。我们在三个基本维度上组织分析：数据分布、表征学习和OOD评估。在每个维度上，我们详细阐述几种流行算法。此外，我们强调关键应用场景，突出其实际影响。最后，我们指出持久挑战并提出未来研究方向。有关综述方法的详细总结，可访问https://tsood-generalization.com。
引用
@article{arxiv.2503.13868,
title = {Out-of-Distribution Generalization in Time Series: A Survey},
author = {Xin Wu and Fei Teng and Xingwang Li and Ji Zhang and Tianrui Li and Qiang Duan},
journal= {arXiv preprint arXiv:2503.13868},
year = {2026}
}
备注
Work in Progress