近日，第30届国际知识发现与数据挖掘大会（The 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining，KDD 2024）录用结果揭晓，实验室博士生史瑞泽（导师黄宏副教授）的论文 “Orthogonality Matters: Invariant Time Series Representation for Out-of-distribution Classification”被录用。

以往的时间序列分类工作倾向于假设训练集和测试集都来自同一分布。这种过度简化与实际情况的复杂性相背离，使模型泛化到分布外(Out-of-distribution, OOD)时间序列数据具有挑战性。目前，时间序列OOD分类的工作通常将时间序列分解为域不可知特征和域特定特征，并设计任务以区分两者。然而，研究人员观察到先前方法得到的域不可知特征仍包含域特定信息，限制了其对OOD数据的适应性。因此，文章提出了Invariant Time Series Representation（ITSR），其利用两组正交轴实现了可学习的时间序列正交分解。具体而言，ITSR将时间序列投影到这两组轴上，得到相互正交的不变特征和相关特征，从理论上保证了二者的低相似性，之后结合各种任务来优化它们。此外，还从理论上探讨了保持不变特征与相关特征之间的正交性对OOD时间序列分类的好处。在四个真实数据集上的结果表明ITSR在性能方面优于最先进的方法约5%，并证明了保持不变特征和相关特征之间正交性的关键作用。

KDD是数据挖掘人工智能研究领域的顶级会议，也是中国计算机学会（CCF）推荐的A类会议，在全球范围内享有盛誉。此次KDD 2024会议投稿量2046，录用率约为20%。

（通讯员：史瑞泽）