Out-of-Distribution Detection in Time-Series Domain: A Novel Seasonal Ratio Scoring Approach

要約

実世界のアプリケーション向けの時系列分類子の安全な展開は、トレーニング データと同じ分布から生成されていないデータを検出する機能に依存しています。
このタスクは、配布外 (OOD) 検出と呼ばれます。
時系列ドメインの OOD 検出の新しい問題を検討します。
時系列データによってもたらされる固有の課題について説明し、画像ドメインからの以前の方法がうまく機能しない理由を説明します。
これらの課題に動機付けられたこの論文では、新しい {\em Seasonal Ratio Scoring (SRS)} アプローチを提案します。
SRS は、3 つの主要なアルゴリズムのステップで構成されています。
まず、各入力がクラスごとのセマンティック コンポーネントと残りに分解されます。
次に、この分解を使用して、深い生成モデルを使用して、入力と剰余のクラスごとの条件付き尤度を推定します。
季節比率スコアは、これらの推定値から計算されます。
第３に、ＯＯＤ例を検出するために、分布内データから閾値間隔が識別される。
さまざまな実世界のベンチマークでの実験は、ベースライン メソッドと比較した場合、SRS メソッドが時系列の OOD 検出に適していることを示しています。
SRS メソッドのオープンソース コードは、https://github.com/tahabelkhouja/SRS で提供されています。

要約(オリジナル)

Safe deployment of time-series classifiers for real-world applications relies on the ability to detect the data which is not generated from the same distribution as training data. This task is referred to as out-of-distribution (OOD) detection. We consider the novel problem of OOD detection for the time-series domain. We discuss the unique challenges posed by time-series data and explain why prior methods from the image domain will perform poorly. Motivated by these challenges, this paper proposes a novel {\em Seasonal Ratio Scoring (SRS)} approach. SRS consists of three key algorithmic steps. First, each input is decomposed into class-wise semantic component and remainder. Second, this decomposition is employed to estimate the class-wise conditional likelihoods of the input and remainder using deep generative models. The seasonal ratio score is computed from these estimates. Third, a threshold interval is identified from the in-distribution data to detect OOD examples. Experiments on diverse real-world benchmarks demonstrate that the SRS method is well-suited for time-series OOD detection when compared to baseline methods. Open-source code for SRS method is provided at https://github.com/tahabelkhouja/SRS

arxiv情報

提供元, 利用サービス

arxiv.jp, Google