Learning Hyperspherical Time-Frequency Representations for Time-Series Out-of-Distribution Detection

📄 arXiv: 2605.31155v1 📥 PDF

作者: Willian T. Lunardi, Samridha Shrestha, Martin Andreoni

分类: cs.LG

发布日期: 2026-05-29

备注: 14 pages, 2 figures, 4 tables, accepted at IJCAI-ECAI 2026

🔗 代码/项目: GITHUB

💡 一句话要点

提出基于超球面时间-频率表征的时间序列分布外检测方法

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 时间序列 分布外检测 超球面嵌入 表征学习 von Mises-Fisher分布

📋 核心要点

  1. 时间序列OOD检测面临挑战，现有方法难以有效利用有监督表征应对分布偏移。
  2. 论文提出基于超球面嵌入的表征学习方法，结合时域和频域信息，提升OOD检测性能。
  3. 实验表明，该方法在UCR和UEA数据集上，使用k-NN和马氏距离评分均优于现有方法。

📝 摘要（中文）

与视觉和语言领域相比，时间序列数据的分布外(OOD)检测研究相对不足，对于如何利用有监督的时间序列表征来实现分布偏移下的可靠检测，缺乏系统的理解。本文将时间序列OOD检测形式化为超球面嵌入的表征学习，其中类条件结构由单位球面上的von Mises-Fisher (vMF)似然目标函数诱导。学习到的表征通过领域特定的编码器结合了输入信号的时域和频域视图，并将它们集成到用于OOD检测的联合嵌入空间中。检测使用学习到的嵌入上的基于距离的评分，包括k近邻(k-NN)和马氏距离。我们在完整的UCR和UEA时间序列数据集上，通过跨数据集协议大规模评估该方法。实验结果表明，在相同的设置下，k-NN和马氏距离评分均优于强大的对比学习和事后基线方法。

🔬 方法详解

问题定义：时间序列的分布外(OOD)检测问题，即判断给定的时间序列样本是否属于训练集中未见过的分布。现有方法在处理时间序列的分布偏移时，缺乏有效的表征学习策略，难以充分利用有监督信息，导致检测性能不佳。

核心思路：论文的核心思路是将时间序列的OOD检测问题转化为一个超球面嵌入的表征学习问题。通过将时间序列样本映射到单位超球面上，并利用von Mises-Fisher (vMF)分布来建模类条件结构，从而学习到具有良好区分性的表征。这种设计能够有效地捕捉类内相似性和类间差异性，从而提高OOD检测的准确性。

技术框架：整体框架包含以下几个主要模块：1) 时域编码器：用于提取时间序列的时域特征。2) 频域编码器：用于提取时间序列的频域特征。3) 联合嵌入空间：将时域和频域特征融合到同一个嵌入空间中。4) 超球面映射：将嵌入向量映射到单位超球面上。5) OOD检测器：利用学习到的超球面嵌入，使用k-NN或马氏距离等方法进行OOD检测。

关键创新：论文的关键创新在于将时间序列的OOD检测问题与超球面表征学习相结合。与传统的对比学习方法相比，该方法能够更好地建模类条件结构，从而提高OOD检测的准确性。此外，论文还提出了一个结合时域和频域信息的联合嵌入空间，能够更全面地捕捉时间序列的特征。

关键设计：论文的关键设计包括：1) 使用von Mises-Fisher (vMF)分布作为类条件似然函数，用于约束超球面嵌入的学习。2) 设计了时域和频域编码器，分别提取时间序列的时域和频域特征。3) 使用k-NN和马氏距离作为OOD检测的评分函数。具体参数设置和网络结构细节在论文中有详细描述，例如编码器的具体结构、vMF分布的参数估计方法等。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，该方法在UCR和UEA时间序列数据集上取得了显著的性能提升。在跨数据集协议下，使用k-NN和马氏距离评分，该方法均优于现有的对比学习和事后基线方法。例如，在某些数据集上，该方法的OOD检测准确率提升了5%-10%。

🎯 应用场景

该研究成果可应用于各种时间序列数据的异常检测场景，例如工业设备故障诊断、金融欺诈检测、医疗健康监测等。通过准确识别分布外的异常样本，可以有效预防潜在风险，提高系统安全性和可靠性，具有重要的实际应用价值和广阔的应用前景。

📄 摘要（原文）

Out-of-distribution (OOD) detection for time-series data remains comparatively underexplored compared to vision and language, with a limited principled understanding of how supervised time-series representations can be leveraged for reliable detection under distributional shifts. This work formulates time-series OOD detection as representation learning with hyperspherical embeddings, where class-conditional structure is induced by a von Mises-Fisher (vMF) likelihood-based objective on the unit sphere. The learned representation combines time- and frequency-domain views of the input signal via domain-specific encoders, integrating them into a joint embedding space for OOD detection. Detection uses distance-based scores over the learned embeddings, including k-nearest neighbors (k-NN) and Mahalanobis scores. We evaluate the approach at scale on the complete UCR and UEA time-series archives under a cross-dataset protocol. Empirical results show consistent improvements under both k-NN and Mahalanobis scoring over strong contrastive learning and post-hoc baselines in the same setting. Code is available at https://github.com/tiiuae/hypertf-time-series-ood.