Detecting Diffusion-Generated Time Series Under Generator Shift

Resumo Técnico: Detecção de Séries Temporais Geradas por Difusão Sob Deslocamento do Gerador

Declaração do Problema
A fronteira entre séries temporais reais e geradas por difusão torna-se cada vez mais difícil de distinguir, representando riscos para a integridade dos dados em domínios críticos como saúde e finanças. Embora a geração de dados sintéticos por meio de modelos de difusão (por exemplo, SSSD, TSDiff) tenha avançado, a detecção desses dados sintéticos permanece pouco explorada, particularmente quando o gerador é desconhecido. Os métodos de detecção existentes frequentemente dependem de pressupostos válidos no domínio de imagens — especificamente, a disponibilidade de um prior de reconstrução "universal" ou acesso direto à distribuição interna do gerador. No entanto, esses pressupostos não se aplicam a séries temporais, onde os modelos são tipicamente treinados em distribuições estreitas com dinâmicas reversas únicas. O desafio central abordado é a detecção de séries temporais geradas por difusão sob deslocamento do gerador (cenários Fora de Distribuição ou OOD), onde o detector deve identificar amostras de geradores não vistos durante o treinamento.

Metodologia
O artigo avalia duas estratégias de detecção distintas:

1. Detecção Baseada em Reconstrução de Caixa Branca:
   Adaptada de métodos do domínio de imagens (especificamente DIRE), esta abordagem requer acesso a um modelo de difusão de referência ($G^*$) treinado na mesma distribuição que o gerador alvo. O detector utiliza $G^*$ para realizar inversão e reconstrução DDIM em uma série temporal de entrada $x_0$. O erro de reconstrução $d_{G^*}(x_0) = (x_0 - R_{G^*}(x_0))^2$ serve como indicador de detecção. A hipótese é que amostras sintéticas de $G^*$ terão baixos erros de reconstrução, enquanto amostras reais terão erros altos.

   • Limitação: No domínio de séries temporais, não existe um gerador genérico. Quando aplicado a amostras de um gerador não visto ($G_i$), o modelo de reconstrução $G^*$ tenta mapear a entrada em direção à sua própria distribuição aprendida ($p_{G^*}$) em vez de preservar a estrutura de entrada. Consequentemente, os erros de reconstrução para amostras reais e amostras de geradores não vistos colapsam em distribuições indistinguíveis, fazendo com que a fronteira de decisão desapareça.

2. Detecção Baseada em Classificador de Caixa Preta:
   Esta abordagem contorna totalmente a reconstrução. Trata a detecção como um problema de classificação binária onde um classificador padrão de séries temporais é treinado diretamente em sinais brutos rotulados como "reais" ou "sintéticos" (gerados por um único gerador conhecido, $G^*$). O classificador aprende a identificar artefatos de síntese diretamente dos dados brutos, sem exigir acesso aos mecanismos internos do gerador ou a um prior de reconstrução. O estudo utiliza arquiteturas prontas, principalmente Disjoint-CNN, juntamente com InceptionTime e LITE, treinados em dados reais emparelhados com amostras do SSSD.

Principais Contribuições

1. Primeira Exploração Sistemática: Este trabalho fornece a primeira comparação abrangente de estratégias de detecção de caixa branca e caixa preta para séries temporais geradas por difusão.
2. Identificação de Falha Específica do Domínio: Os autores demonstram que a detecção baseada em reconstrução, bem-sucedida em imagens devido a priors universais (por exemplo, Stable Diffusion), falha em séries temporais sob deslocamento do gerador. Eles mostram que os modelos de difusão de séries temporais carecem de um prior de reconstrução universal; em vez disso, aprendem dinâmicas reversas específicas do modelo que fazem com que os erros de reconstrução se sobreponham para dados reais e sintéticos não vistos.
3. Validação da Viabilidade de Caixa Preta: O estudo estabelece que um classificador simples pronto, treinado em um único gerador, pode generalizar efetivamente para geradores não vistos, superando significativamente a abordagem de caixa branca em cenários OOD.

Resultados Experimentais
A avaliação foi conduzida em dez conjuntos de dados de referência, três comprimentos de sequência (32, 64, 128) e quatro geradores baseados em difusão (SSSD, TSDiff, Diffusion-TS, WaveStitch).

• Dentro da Distribuição (ID): A abordagem de caixa branca (DIRE) desempenha bem (F1 Médio: 91,9), embora ligeiramente abaixo do classificador de caixa preta (Disjoint-CNN), que alcança desempenho quase perfeito (F1 > 94).
• Fora da Distribuição (OOD): A lacuna de desempenho aumenta drasticamente.
  • Caixa Branca (DIRE): Falha sob deslocamento do gerador, alcançando um F1 OOD médio de 64,9 e uma Taxa de Verdadeiros Positivos a 1% de Falsos Positivos (TPR@1%FPR) próxima de 0,00 para a maioria dos geradores não vistos. Os erros de reconstrução para amostras reais e sintéticas tornam-se indistinguíveis.
  • Caixa Preta (Disjoint-CNN): Alcança um F1 OOD médio de 79,2, representando uma melhoria relativa de 22,1% sobre a abordagem de caixa branca. Mantém uma TPR@1%FPR de 57,2.
• Impacto da Qualidade e do Comprimento: A detecção torna-se mais difícil à medida que a qualidade dos dados sintéticos melhora (por exemplo, o Diffusion-TS produz dados de alta qualidade com menor detectabilidade). Além disso, embora os detectores de caixa preta mantenham forte desempenho ID em comprimentos de sequência mais longos (128), sua generalização OOD degrada, sugerindo que artefatos entre geradores tornam-se mais difíceis de capturar à medida que o comprimento da sequência aumenta.

Significado e Alegações
O artigo afirma que detectar séries temporais geradas por difusão não é uma transferência direta do problema do domínio de imagens. A dependência de um prior de reconstrução universal é um desajuste fundamental para séries temporais, onde os geradores são específicos da distribuição. Consequentemente, os autores concluem que a detecção de caixa preta é um ponto de partida viável e superior para este domínio, apesar de ser menos interpretável do que os métodos baseados em reconstrução. O trabalho destaca que, embora os detectores de caixa preta atuais sejam eficazes, os sinais específicos que capturam e sua generalização entre diferentes tipos de geradores e deslocamentos de conjuntos de dados permanecem áreas abertas para pesquisa futura.