用于不平衡时间序列分类的局部参考几何残差增强

不平衡的时间序列分类通常通过更改训练分布、目标、logits 或最终阈值来解决。这些干预措施解决了重要的偏见，但留下了一个无法衡量的代表性问题：少数族裔支持减少后，学习到的特征空间在少数族裔地区周围是否仍然保持局部可靠？我们发现了训练局部几何失败：在不平衡的情况下，少数情况可能位于稀疏、休息主导或混合特征空间邻域中，即使表示保留了有用的全局类结构。为了诊断和修复此故障，我们提出了局部参考几何（LRG），这是一种应用于固定特征提取器和分类器头之间的轻量级事后特征增强模块。 LRG 仅使用训练特征来测量局部暴露和类别混合风险，然后使用来自附近训练几何体的标准化符号位移和 LDA 投影残差摘要来增强每个固定特征。在受控的 UCR/Bake Off Redux 不平衡基准上，原始与 LRG 的配对比较显示了学习、预训练和固定表示的增益，包括当 LRG 与训练级干预和编码器后分类器校正相结合时。消融表明，增益来自附加到原始特征的带符号局部残差，而不是来自通用原型距离、亲和特征、标量统计或 VLAD 样式代码。进一步的分析支持所提出的局部几何失效假设：少数族裔社区在不平衡下变得越来越暴露，训练局部风险识别出容易出错的区域，并且 LRG 增益集中在那些高风险区域。