TS-OOD：评估时间序列分布外检测及其前景发展方向
机器学习
2025-02-25 v1
摘要
检测分布外 (OOD) 数据是机器学习模型部署中的基本挑战。从安全角度来看，这尤为重要，因为 OOD 测试数据可能导致误导性且具有错误预测的高置信度，从而削弱所部署模型的可靠性。尽管已在计算机视觉和语言领域开发了众多 OOD 检测模型，但其针对时间序列数据领域的适应性仍有限且鲜有探讨。然而，时间序列数据在制造业和安全应用中无处不在，而 OOD 检测在其中至关重要。本文旨在填补这一研究空白，通过对该领域中模态无关 OOD 检测算法进行全面分析。我们评估了多个多变量时间序列数据集、深度学习架构、针对时间序列的特定数据增强方法以及损失函数。我们的结果表明：1) 大多数最先进的 OOD 方法在时间序列数据上表现有限；2) 基于深度特征建模的 OOD 方法在时间序列 OOD 检测方面可能提供更大的优势，凸显了未来时间序列 OOD 检测算法开发的有前景的方向。
关键词
引用
@article{arxiv.2502.15901,
title = {TS-OOD: Evaluating Time-Series Out-of-Distribution Detection and Prospective Directions for Progress},
author = {Onat Gungor and Amanda Sofie Rios and Nilesh Ahuja and Tajana Rosing},
journal= {arXiv preprint arXiv:2502.15901},
year = {2025}
}
备注
Accepted for an oral presentation at AAAI-25 AI4TS