ERIS分类框架

跨域时间序列专家

用信号方差作为归纳先验,将域相关变异与类别不变语义分离,在分布偏移下实现更可靠的分类和不确定性校准。

Xin, Wu · 滕飞 · Zhang, Ji · Xingwang, Li · Liang, Yuxuan

Information Fusion 2026

参数信息

平均分类准确率
78.38 %
宏观平均校准误差
0.12

技术优势

校准误差更低

能量引导的校准机制将域相关变化与类别不变语义分离后,模型在分布偏移下对预测不确定性的估计更加准确,宏观平均ECE从最佳能量基线的0.17降到0.12。

结构更解耦

在权重级加入正交正则化,促使参数子空间之间结构去相关,从而避免领域信息与类别语义在表示中纠缠。

扰动更鲁棒

辅助的对抗泛化机制通过结构化扰动让模型在训练中见过更多样的偏移,增强对未见分布变化的适应能力。

应用场景