WOODS：时间序列分布外泛化基准
机器学习
2023-04-07 v2 机器学习
摘要
机器学习模型在分布偏移下常常无法很好地泛化。理解并克服这些失败催生了分布外（Out-of-Distribution, OOD）泛化这一研究领域。尽管在静态计算机视觉任务中已被广泛研究，OOD 泛化在时间序列任务中却鲜有探索。为揭示这一空白，我们提出 WOODS：八个具有挑战性的开源时间序列基准，涵盖视频、脑电记录和传感器信号等多种数据模态。我们改进了现有的用于时间序列任务的 OOD 泛化算法，并使用我们的系统性框架对其进行了评估。实验表明，在我们的数据集上，经验风险最小化与 OOD 泛化算法仍有很大的改进空间，从而凸显了时间序列任务所提出的新挑战。代码与文档见 https://woods-benchmarks.github.io。
引用
@article{arxiv.2203.09978,
title = {WOODS: Benchmarks for Out-of-Distribution Generalization in Time Series},
author = {Jean-Christophe Gagnon-Audet and Kartik Ahuja and Mohammad-Javad Darvishi-Bayazi and Pooneh Mousavi and Guillaume Dumas and Irina Rish},
journal= {arXiv preprint arXiv:2203.09978},
year = {2023}
}
备注
47 pages, 21 figures