ERIS: Energie‑gesteuertes Feature‑Entanglement für Zeitreihenklassifikation

Die Klassifikation von Zeitreihen soll nicht nur Muster erkennen, sondern auch robuste, invariant­e Repräsentationen liefern. In der Praxis bleibt die Zuverlässigkeit bei Daten außerhalb der Trainingsverteilung (Out‑of‑Distribution, OOD) jedoch ein zentrales Hindernis. Das Problem entsteht, wenn Modelle domänenspezifische und label‑relevante Merkmale ungewollt vermischen und dadurch spurige Korrelationen entstehen.

Feature‑Entanglement wurde entwickelt, um diese Vermischung zu lösen, doch bisher fehlen den Verfahren semantische Leitlinien, die die Trennung wirklich universeller Merkmale vorantreiben. Der neue Ansatz ERIS – Energy‑Regularized Information for Shift‑Robustness – kombiniert mathematische Einschränkungen mit gezielter semantischer Orientierung.

ERIS nutzt drei zentrale Mechanismen: Erstens eine energie‑gesteuerte Kalibrierung, die dem Modell hilft, sich selbst zu justieren; zweitens eine orthogonale Gewichtungsstrategie, die die strukturelle Unabhängigkeit zwischen domänenspezifischen und label‑relevanten Features erzwingt; und drittens ein adversariales Trainingsmodul, das gezielte Störungen einführt, um die Robustheit weiter zu erhöhen.

In Experimenten über vier Benchmark‑Datensätze hinweg konnte ERIS die Genauigkeit im Vergleich zu aktuellen Spitzenmodellen durchschnittlich um 4,04 % steigern. Diese Verbesserung unterstreicht die Wirksamkeit einer energie‑gesteuerten, semantisch geführten Entanglement‑Strategie für die robuste Zeitreihenklassifikation.

Der Ansatz eröffnet neue Perspektiven für Anwendungen, bei denen zuverlässige Vorhersagen bei unbekannten Datenverteilungen entscheidend sind, etwa in der Finanzanalyse, der medizinischen Diagnostik oder der industriellen Prozessüberwachung.