Redes neurais para detecção de séries temporais fora da distribuição em aprendizado de única classe

• José Gilberto Barbosa de Medeiros Júnior USP

DOI: https://doi.org/10.5753/ctdiac.2026.34184

Resumo

A classificação de séries temporais apresenta desafios únicos, especialmente em domínios onde rotular dados tem alto custo ou onde há grande desbalanceamento dos rótulos. Diante desses problemas, o aprendizado de única classe (one-class learning, OCL) surge como alternativa, focando exclusivamente no aprendizado de séries temporais pertencentes a uma única classe, também chamada de classe de interesse. Os métodos existentes de OCL frequentemente sofrem com instabilidades durante o treinamento, dependência de contraexemplos e adaptações inadequadas para capturar dependências temporais. Esta dissertação propõe um novo framework de OCL para séries temporais, integrando mecanismos de redes neurais e técnicas de detecção de dados fora da distribuição (OOD). Para aprimorar a extração de características temporais, são apresentados dois novos componentes: (i) a LeakySineLU, uma função de ativação semi-periódica projetada para séries temporais, e (ii) Convoluções Deformáveis, que capturam dependências não contínuas e de longo alcance entre observações de uma série. Esses mecanismos são incorporados à TGNet, método de OCL proposto que utiliza Modelos de Mistura de Gaussianas (GMM) para modelar a distribuição da classe de interesse e identificar instâncias fora dela. Foram conduzidos 33.110 experimentos em 112 conjuntos de dados do repositório UCR, demonstrando que a TGNet supera abordagens tradicionais e recentes de OCL, alcançando a maior F1-macro média e o melhor ranque médio entre os métodos comparados (3.16), com superioridade estatística confirmada por testes de Wilcoxon-Holm

Referências

Barbosa de Medeiros Júnior, J. G., de Mitri, A. G., and Silva, D. F. (2024). Semi-periodic activation for time series classification. In Brazilian Conference on Intelligent Systems, pages 76–90. Springer.

Barbosa de Medeiros Júnior, J. G., Guarnier de Mitri, A., Devanne, M., Forestier, G., and Furtado Silva, D. (2026). Deformable convolutions improve time series classification by capturing sparsed patterns. In Proceedings of the 41st ACM/SIGAPP Symposium on Applied Computing, pages 1065–1072.

Cabral, G. G. and de Oliveira, A. L. I. (2014). One-class classification for heart disease diagnosis. In 2014 IEEE International conference on systems, man, and cybernetics (SMC), pages 2551–2556. IEEE.

Fukunaga, K., Hayes, R. R., and Novak, L. M. (1987). The acquisition probability for a minimum distance one-class classifier. IEEE Transactions on Aerospace and Electronic Systems, (4):493–499.

Gao, L., Zhang, L., Liu, C., and Wu, S. (2020). Handling imbalanced medical image data: A deep-learning-based one-class classification approach. Artificial intelligence in medicine, 108:101935.

Golo, M. P. S., de Medeiros Junior, J. G. B., Silva, D. F., and Marcacini, R. M. (2025). One-class graph autoencoder: A new end-to-end, low-dimensional, and interpretable approach for node classification. Information Sciences, 708:122060.

He, K., Zhang, X., Ren, S., and Sun, J. (2015). Delving deep into rectifiers: Surpassing human-level performance on imagenet classification. In Proceedings of the IEEE international conference on computer vision, pages 1026–1034.

Ismail-Fawaz, A., Devanne, M., Weber, J., and Forestier, G. (2022). Deep learning for time series classification using new hand-crafted convolution filters. In 2022 IEEE International conference on big data (Big Data), pages 972–981. IEEE.

Ismail Fawaz, H., Forestier, G., Weber, J., Idoumghar, L., and Muller, P.-A. (2019). Deep learning for time series classification: a review: H. ismail fawaz et al. Data mining and knowledge discovery, 33(4):917–963.

Ismail Fawaz, H., Lucas, B., Forestier, G., Pelletier, C., Schmidt, D. F., Weber, J., Webb, G. I., Idoumghar, L., Muller, P.-A., and Petitjean, F. (2020). Inceptiontime: Finding alexnet for time series classification. Data mining and knowledge discovery, 34(6):1936–1962.

Provotar, O. I., Linder, Y. M., and Veres, M. M. (2019). Unsupervised anomaly detection in time series using lstm-based autoencoders. In 2019 IEEE International Conference on Advanced Trends in Information Theory (ATIT), pages 513–517. IEEE.

Ruff, L., Vandermeulen, R., Goernitz, N., Deecke, L., Siddiqui, S. A., Binder, A., Müller, E., and Kloft, M. (2018). Deep one-class classification. In International conference on machine learning, pages 4393–4402. PMLR.

Silva, D. F., De M, J. G., Domingues, L. V., and Mazzu-Nascimento, T. (2023). Hemoglobin estimation from smartphone-based photoplethysmography with small data. In 2023 IEEE 36th International Symposium on Computer-Based Medical Systems (CBMS), pages 75–78. IEEE.

Wang, Z., Yan, W., and Oates, T. (2017). Time series classification from scratch with deep neural networks: A strong baseline. In 2017 International joint conference on neural networks (IJCNN), pages 1578–1585. IEEE.

Yeh, C.-C. M., Zhu, Y., Ulanova, L., Begum, N., Ding, Y., Dau, H. A., Zimmerman, Z., Silva, D. F., Mueen, A., and Keogh, E. (2018). Time series joins, motifs, discords and shapelets: a unifying view that exploits the matrix profile. Data Mining and Knowledge Discovery, 32(1):83–123.

Ziyin, L., Hartwig, T., and Ueda, M. (2020). Neural networks fail to learn periodic functions and how to fix it. Advances in Neural Information Processing Systems, 33:1583–1594.

Zong, B., Song, Q., Min, M. R., Cheng, W., Lumezanu, C., Cho, D., and Chen, H. (2018). Deep autoencoding gaussian mixture model for unsupervised anomaly detection. In International conference on learning representations.