Rethinking Time Series Domain Generalization via Structure-Stratified Calibration

Each language version is independently generated for its own context, not a direct translation.

Imagine que você é um treinador de futebol tentando preparar um time para jogar em diferentes estádios ao redor do mundo.

No seu "estádio de treino" (os dados que você tem), o gramado é perfeito, o sol brilha sempre no mesmo ângulo e o público canta de um jeito específico. Seus jogadores aprendem a jogar perfeitamente nesse ambiente.

Agora, o problema: quando você leva esse time para um novo país (um novo conjunto de dados), o gramado pode ser de areia, o sol pode estar no lado oposto e o público pode gritar de forma diferente. Se você tentar ensinar os jogadores a jogarem da mesma forma exata que jogavam no treino, eles vão se confundir e jogar mal.

A maioria dos métodos antigos de Inteligência Artificial tentava forçar todos os jogadores a se adaptarem a um "estilo universal", ignorando que o gramado de areia exige uma estratégia diferente do gramado de grama. Isso muitas vezes piora o desempenho.

A Solução Proposta: "Calibragem por Estrutura"

Os autores deste artigo propõem uma ideia brilhante chamada SSCF (Calibragem Estratificada por Estrutura). Em vez de tratar todos os jogadores (ou dados) como iguais, eles dizem: "Vamos primeiro olhar para o tipo de gramado e agrupar os jogadores que jogam bem naquele tipo específico."

Aqui está como funciona, usando analogias do dia a dia:

1. O Problema: Misturar Azeite com Água

Muitos dados de séries temporais (como batimentos cardíacos, sono ou passos de uma pessoa) vêm de sistemas complexos. Às vezes, dois dados parecem ter o mesmo "nome" (ex: ambos são "sono profundo"), mas vêm de "famílias" diferentes.

Analogia: Imagine tentar misturar azeite e água. Se você tentar forçá-los a se tornarem um só líquido (alinhamento global), você cria uma emulsão estranha que não funciona bem. O azeite quer flutuar, a água quer ficar no fundo. Eles têm "estruturas" diferentes.

2. A Solução: A Festa de Casamento (Estratificação)

O método SSCF faz uma festa de casamento inteligente. Em vez de colocar todos os convidados na mesma mesa, o organizador olha para o "estilo" de cada convidado antes de sentá-los.

O Passo 1 (Estratificação): O sistema olha para a "assinatura de frequência" dos dados. É como olhar para a roupa ou o sotaque de alguém para saber se ele é um "amigo da música eletrônica" ou um "amigo do jazz".
O Passo 2 (Agrupamento): Ele separa os dados em grupos (estratos) baseados nessa assinatura. Todos os "amigos do jazz" vão para a mesa do Jazz; todos os "amigos do rock" vão para a mesa do Rock.

3. A Calibragem: O Chef de Cozinha Especializado

Agora que os grupos estão separados, o sistema aplica uma "calibragem" (um ajuste fino) apenas dentro de cada mesa.

Analogia: Se você tem um grupo de pessoas que adora comida picante, você ajusta o tempero para eles. Se tem outro grupo que prefere comida suave, você ajusta o tempero para eles.
Se você tentasse dar o mesmo tempero (calibragem global) para os dois grupos, você ofenderia um e não agradaria o outro.
No SSCF, o sistema cria um "modelo de referência" (uma receita padrão) para cada grupo e ajusta apenas os dados daquele grupo para se parecerem com essa receita, sem mexer nos outros.

Por que isso é genial?

Evita Confusão: Ao não misturar dados que são estruturalmente diferentes, o sistema evita criar "alucinações" (correspondências falsas). Ele não tenta fazer um "triângulo" se parecer com um "círculo".
Funciona sem Treino Extra: O método é muito eficiente. Ele aprende a separar os grupos uma vez e depois usa essa separação para ajustar novos dados que nunca viu antes (o chamado cenário "Zero-Shot").
Resultados Reais: Eles testaram isso em 19 conjuntos de dados diferentes (incluindo sono, batimentos cardíacos e atividades humanas) e o método superou todos os concorrentes. Foi como se o time de futebol, ao invés de tentar jogar igual em todos os lugares, aprendesse a adaptar sua tática para o tipo de grama de cada estádio, ganhando mais jogos.

Resumo em uma frase

Em vez de tentar forçar todos os dados a serem iguais (o que causa confusão), o SSCF primeiro identifica quem é "parecido" com quem, e depois ajusta cada grupo individualmente, garantindo que a inteligência artificial funcione bem em qualquer lugar, seja no seu quarto ou em um hospital do outro lado do mundo.

Each language version is independently generated for its own context, not a direct translation.

1. O Problema: Falha na Correspondência Estrutural em Generalização de Domínio

O artigo aborda um gargalo crítico na generalização de modelos de séries temporais entre diferentes conjuntos de dados (cross-dataset).

Contexto: Modelos treinados em dados controlados (offline) frequentemente falham ao serem aplicados em cenários do mundo real (open settings) devido a mudanças de distribuição.
Limitação das Abordagens Atuais: Métodos existentes de Generalização de Domínio (DG) e Adaptação de Domínio (DA), como CORAL, MMD e DANN, assumem que amostras de diferentes domínios são comparáveis em um espaço de representação compartilhado. Eles aplicam alinhamento global ou por classe uniformemente.
A Hipótese Central: Para séries temporais geradas por sistemas dinâmicos latentes, essa suposição de comparabilidade universal muitas vezes não se sustenta. Diferentes conjuntos de dados podem originar-se de famílias de sistemas dinâmicos estruturalmente heterogêneos. Isso resulta em formas espectrais ou distribuições de energia fundamentalmente distintas.
Consequência: Realizar um alinhamento global ignorando essas diferenças estruturais leva a correspondências espúrias (alinhamento incorreto entre amostras incompatíveis) e induz transferência negativa, onde o desempenho do modelo piora em vez de melhorar.

2. Metodologia: Estrutura-Stratified Calibration Framework (SSCF)

Os autores propõem o SSCF, um novo paradigma que inverte a lógica tradicional: em vez de "alinhar primeiro", eles propõem "avaliar a comparabilidade primeiro". O framework segue uma abordagem de "comparabilidade primeiro, calibração depois".

O processo é dividido nas seguintes etapas:

A. Modelagem Espectral e Definição de Estrutura

O método assume que as séries temporais podem ser decompostas em um padrão espectral latente estável (estrutura) e respostas específicas do domínio (amplitude/escala).
Estrutura: Definida como padrões espectrais estáveis no domínio da frequência (localização de picos, bandas de energia dominantes e suas proporções relativas).

B. Estratificação Estrutural (Structure Stratification)

Em vez de tratar todos os dados como um único grupo, o SSCF realiza uma agrupamento (clustering) grosseiro das amostras da fonte com base em seus padrões espectrais (usando densidade espectral de potência estimada via método de Welch).
As amostras são divididas em $K$ subconjuntos (estratos) onde as amostras dentro de cada estrato compartilham estruturas espectrais compatíveis.
Isso evita forçar o alinhamento entre amostras que pertencem a regimes dinâmicos incompatíveis (ex: alinhar um sinal com padrão "triangular" a um padrão "circular").

C. Construção de Âncoras de Referência (Reference Anchors)

Para cada estrato estrutural, é construído um template de referência (âncora).
A âncora é definida como um espectro de Potência Média ao Quadrado (MAS - Mean-Amplitude-Squared). Isso é calculado tomando a raiz quadrada das potências, calculando a média e elevando ao quadrado novamente. Essa abordagem é menos sensível a outliers de alta potência do que a média direta de potências.

D. Correspondência Estrutural e Calibração de Amplitude

Correspondência: Para uma nova amostra de entrada (fonte ou alvo), calcula-se sua representação estrutural e identifica-se o estrato mais compatível (a âncora mais próxima no espaço espectral).
Calibração: A calibração (ajuste de amplitude) é realizada exclusivamente dentro do estrato correspondente.
- A fase do sinal é preservada.
- A amplitude é escalada para corresponder à âncora de referência daquele estrato específico.
Isso garante que a adaptação ocorra apenas entre amostras estruturalmente comparáveis, eliminando correspondências espúrias.

E. Protocolo de Treinamento

O método opera em duas etapas:
1. Estimativa de Estrutura (Offline): Um encoder auxiliar é treinado para extrair representações, as quais são usadas para calcular os clusters e as âncoras. Essas âncoras são fixadas.
2. Treinamento End-to-End: O modelo final é treinado usando as âncoras fixas para calibrar as características de entrada antes da classificação. As âncoras não recebem gradientes.

3. Contribuições Principais

Caracterização de Limites de Aplicabilidade: Identificam que o alinhamento global em cenários de heterogeneidade estrutural sem avaliação prévia de comparabilidade é propenso a transferência negativa.
Novo Framework (SSCF): Propõem um método operacional que separa a estratificação estrutural da calibração, restringindo o alinhamento a subconjuntos estruturalmente compatíveis.
Validação Empírica Robusta: Demonstram a eficácia em 19 conjuntos de dados públicos (100.3k amostras) cobrindo três tarefas distintas: Estágio de Sono, Detecção de Arritmia e Reconhecimento de Atividade Humana (HAR).

4. Resultados Experimentais

Os resultados foram avaliados sob o protocolo Leave-One-Domain-Out (LODO) e em conjuntos de teste externos (zero-shot), sem acesso a dados do alvo durante o treinamento.

Desempenho Geral: O SSCF superou consistentemente baselines fortes (incluindo IRM, MMD, CORAL, DANN e modelos específicos de sono como SleepDG).
Estágio de Sono: No LODO, o SSCF alcançou um Macro-F1 médio de 69.37%, superando o segundo melhor (SleepDG com 60.92%) e o baseline (59.76%). Em domínios externos, a média foi de 75.12%, contra 71.33% do CORAL.
Arritmia e HAR: O método também demonstrou melhorias significativas tanto no desempenho médio quanto no desempenho no pior domínio (worst-domain performance), indicando maior robustez.
Análise de Ablação:
- A calibração global (sem estratificação) causou degradação em vários domínios alvo, confirmando a hipótese de correspondências espúrias.
- A calibração baseada em domínio (dataset-wise) melhorou em relação ao global, mas foi inferior à estratificação estrutural, mostrando que a similaridade estrutural é mais importante que a origem do dataset.
Sensibilidade: O método é robusto para valores de $K$ (número de estratos) $\ge 3$ , indicando que uma estratificação grosseira é suficiente para capturar as diferenças dominantes.

5. Significado e Impacto

O trabalho oferece uma mudança de perspectiva fundamental para a generalização de séries temporais:

Mudança de Paradigma: Move o foco da "força do alinhamento" para a "qualidade da correspondência". Antes de alinhar, é necessário garantir que as amostras sejam estruturalmente comparáveis.
Eficiência: A estratégia é computacionalmente eficiente, utilizando apenas calibração de amplitude e preservação de fase, sem necessidade de modelos generativos complexos ou otimizações adversariais pesadas.
Aplicabilidade: O método é particularmente relevante para aplicações médicas e de sensores, onde a heterogeneidade dos dispositivos e dos processos fisiológicos subjacentes cria barreiras significativas para a transferência de modelos.

Em resumo, o SSCF demonstra que estabelecer consistência estrutural antes do alinhamento é um caminho mais confiável e eficaz para melhorar a generalização cruzada de séries temporais governadas por sistemas dinâmicos latentes.