通过结构分层校准重新思考时间序列域间推理
机器学习
2026-03-04 v1
摘要
对于来自潜在动力系统的时间序列，现有的跨域推理方法通常假设样本在共享表示空间中具有可比性。在现实情况下，不同数据集常来自结构异构的动力系统族，导致特征分布根本不同。在此情境下，在忽略结构差异的全局对齐极易建立虚假对应关系，导致负迁移。从跨域结构对应失效的新视角出发，我们重新审视了该问题，提出了结构分层校准框架。该方法显式区分结构一致的样本，仅在结构兼容的样本簇内部执行幅值校准，从而有效缓解由结构不兼容导致的推理失败。值得注意的是，所提出的框架通过简洁且计算高效的校准策略实现了显著的性能提升。评估在 19 个公开数据集（100.3k 样本）上的结果表明，SSCF 在零样本设置下显著优于强基准。这一结果确认，在对由潜在动力系统控制的时间序列建立结构一致性再进行对齐，是一个更可靠且更有效的提升跨域推理的途径。
引用
@article{arxiv.2603.02756,
title = {Rethinking Time Series Domain Generalization via Structure-Stratified Calibration},
author = {Jinyang Li and Shuhao Mei and Xiaoyu Xiao and Shuhang Li and Ruoxi Yun and Jinbo Sun},
journal= {arXiv preprint arXiv:2603.02756},
year = {2026}
}