時間序列分類中的後處理校準通常只是重新對映輸出分數，但部署決策（如信任、棄權或複審）取決於高置信度預測是否得到當前時序訊號的有效支援。針對這一問題，最新研究《超越輸出空間校準：用於時間序列分類選擇性可靠性估計的頻譜證據捆綁》提出了一種突破性方法。
該方法由Filippo Cenacchi等人提出，旨在解決時間序列可靠性估計的三大缺陷：第一，相同的置信度值可能掩蓋不同的時間支撐，導致模型看似自信實則不可靠；第二，平均校準可能遺漏虛假的高置信度錯誤，即那些預測機率很高但實際錯誤的樣本；第三，輸出空間重校準缺乏與輸入相關的可審計性，無法回溯到原始訊號特徵。為此，研究者引入一種驗證門控的固定標籤可靠性策略，在不改變主幹預測的前提下，評估該預測是否值得信任。
具體而言，該方法將輸出端的線索與全樣本頻譜描述符相結合。頻譜描述符包括頻帶能量、熵、峰值優勢、週期支援和相位穩定性，這些特徵能夠捕捉時間序列在不同頻率上的行為模式。模型將這些資訊融合為一個標量的可靠性估計以及診斷性的頻帶級證據，從而提供更細緻的可信度判斷。為了確保頻譜修正僅在有益時使用，研究團隊設計了一個驗證門控機制：僅在正確率排名提升且不違反[email protected]或AURC容限時啟用頻譜條件調整；否則回退至更安全的輸出空間基線。
在八個異構的UCR/UEA資料集、八個時間序列骨幹網路家族以及標準重校準器上的實驗表明，無約束方法在匹配的評估子集上提升了固定標籤選擇性可靠性指標，將Corr-AURC從0.693提高到0.779。而驗證門控策略進一步將Corr-AURC提升至0.786，並將[email protected]降至0.094。這些結果表明，時間序列分類器的可靠性估計受益於將輸出置信度與頻譜證據相結合，而驗證門控機制可防止無支援的頻譜條件化帶來的負面影響。該研究為高可靠性需求場景（如醫療診斷、金融預測）中的時間序列模型部署提供了新的技術路線。