Detecting Diffusion-Generated Time Series Under Generator Shift

Riepilogo Tecnico: Rilevamento di Serie Temporali Generate da Diffusione in Caso di Spostamento del Generatore

Enunciato del Problema
Il confine tra serie temporali reali e generate da diffusione è sempre più difficile da distinguere, ponendo rischi per l'integrità dei dati in domini critici come la sanità e la finanza. Sebbene la generazione di dati sintetici tramite modelli di diffusione (ad es. SSSD, TSDiff) abbia fatto progressi, il rilevamento di tali dati sintetici rimane poco esplorato, in particolare quando il generatore è sconosciuto. I metodi di rilevamento esistenti spesso si basano su assunzioni valide nel dominio delle immagini—nello specifico, la disponibilità di un prior di ricostruzione "universale" o l'accesso diretto alla distribuzione interna del generatore. Tuttavia, queste assunzioni non valgono per le serie temporali, dove i modelli sono tipicamente addestrati su distribuzioni ristrette con dinamiche inverse uniche. La sfida centrale affrontata è il rilevamento di serie temporali generate da diffusione in caso di spostamento del generatore (scenari Out-of-Distribution o OOD), dove il rilevatore deve identificare campioni provenienti da generatori non visti durante l'addestramento.

Metodologia
Il lavoro valuta due strategie di rilevamento distinte:

1. Rilevamento Basato sulla Ricostruzione in Modalità White-Box:
   Adattato dai metodi del dominio delle immagini (nello specifico DIRE), questo approccio richiede l'accesso a un modello di diffusione di riferimento ($G^*$) addestrato sulla stessa distribuzione del generatore target. Il rilevatore utilizza $G^*$ per eseguire l'inversione DDIM e la ricostruzione su una serie temporale in ingresso $x_0$. L'errore di ricostruzione $d_{G^*}(x_0) = (x_0 - R_{G^*}(x_0))^2$ funge da indicatore di rilevamento. L'ipotesi è che i campioni sintetici provenienti da $G^*$ avranno bassi errori di ricostruzione, mentre i campioni reali avranno errori elevati.

   • Limitazione: Nel dominio delle serie temporali, non esiste un generatore generico. Quando applicato a campioni provenienti da un generatore non visto ($G_i$), il modello di ricostruzione $G^*$ tenta di mappare l'ingresso verso la propria distribuzione appresa ($p_{G^*}$) piuttosto che preservare la struttura dell'ingresso. Di conseguenza, gli errori di ricostruzione per i campioni reali e per i campioni provenienti da generatori non visti collassano in distribuzioni indistinguibili, causando la scomparsa del confine decisionale.

2. Rilevamento Basato su Classificatore in Modalità Black-Box:
   Questo approccio bypassa completamente la ricostruzione. Tratta il rilevamento come un problema di classificazione binaria in cui un classificatore standard per serie temporali viene addestrato direttamente su segnali grezzi etichettati come "reali" o "sintetici" (generati da un singolo generatore noto, $G^*$). Il classificatore impara a identificare direttamente gli artefatti di sintesi dai dati grezzi senza richiedere l'accesso ai meccanismi interni del generatore o a un prior di ricostruzione. Lo studio utilizza architetture pronte all'uso, principalmente Disjoint-CNN, insieme a InceptionTime e LITE, addestrate su dati reali accoppiati con campioni provenienti da SSSD.

Principali Contributi

1. Prima Esplorazione Sistematica: Questo lavoro fornisce il primo confronto completo tra strategie di rilevamento white-box e black-box per serie temporali generate da diffusione.
2. Identificazione di un Fallimento Specifico del Dominio: Gli autori dimostrano che il rilevamento basato sulla ricostruzione, di successo nel dominio delle immagini grazie a prior universali (ad es. Stable Diffusion), fallisce nelle serie temporali in caso di spostamento del generatore. Dimostrano che i modelli di diffusione per serie temporali mancano di un prior di ricostruzione universale; invece, apprendono dinamiche inverse specifiche del modello che causano una sovrapposizione degli errori di ricostruzione per dati reali e sintetici non visti.
3. Validazione della Fattibilità Black-Box: Lo studio stabilisce che un semplice classificatore pronto all'uso addestrato su un singolo generatore può generalizzare efficacemente a generatori non visti, superando significativamente l'approccio white-box in contesti OOD.

Risultati Sperimentali
La valutazione è stata condotta su dieci dataset di riferimento, tre lunghezze di sequenza (32, 64, 128) e quattro generatori basati su diffusione (SSSD, TSDiff, Diffusion-TS, WaveStitch).

• In-Distribution (ID): L'approccio white-box (DIRE) performa bene (F1 medio: 91,9), sebbene leggermente al di sotto del classificatore black-box (Disjoint-CNN), che raggiunge prestazioni quasi perfette (F1 > 94).
• Out-of-Distribution (OOD): Il divario di prestazioni si amplia drasticamente.
  • White-Box (DIRE): Fallisce in caso di spostamento del generatore, raggiungendo un F1 OOD medio di 64,9 e un Tasso di Veri Positivi al 1% di Falsi Positivi (TPR@1%FPR) vicino a 0,00 per la maggior parte dei generatori non visti. Gli errori di ricostruzione per campioni reali e sintetici diventano indistinguibili.
  • Black-Box (Disjoint-CNN): Raggiunge un F1 OOD medio di 79,2, rappresentando un miglioramento relativo del 22,1% rispetto all'approccio white-box. Mantiene un TPR@1%FPR di 57,2.
• Impatto di Qualità e Lunghezza: Il rilevamento diventa più difficile man mano che la qualità dei dati sintetici migliora (ad es. Diffusion-TS produce dati di alta qualità con minore rilevabilità). Inoltre, mentre i rilevatori black-box mantengono prestazioni ID solide a lunghezze di sequenza maggiori (128), la loro generalizzazione OOD si degrada, suggerendo che gli artefatti cross-generatore diventano più difficili da catturare all'aumentare della lunghezza della sequenza.

Significato e Affermazioni
Il lavoro afferma che il rilevamento di serie temporali generate da diffusione non è un trasferimento diretto del problema del dominio delle immagini. La dipendenza da un prior di ricostruzione universale è un disallineamento fondamentale per le serie temporali, dove i generatori sono specifici della distribuzione. Di conseguenza, gli autori concludono che il rilevamento black-box è un punto di partenza valido e superiore per questo dominio, nonostante sia meno interpretabile dei metodi basati sulla ricostruzione. Il lavoro evidenzia che, sebbene i attuali rilevatori black-box siano efficaci, i segnali specifici che catturano e la loro generalizzazione attraverso diversi tipi di generatori e spostamenti dei dataset rimangono aree aperte per la ricerca futura.