科研导师
CCQS100名校博士
导师介绍
研究领域：计算机视觉,时间序列,联邦学习,人工智能,AI4Science 学术成果：发表20篇优质期刊/会议一作论文，包括 IEEE TGRS、IEEE JBHI、IJCAI 等； 长期担任多个顶级期刊/会议审稿人，包括 IEEE TNNLS、IEEE TKDE、CVPR、ICCV等。
基于时间序列数据的Out-of-Distribution泛化理论与方法研究
- 课题名称
- 基于时间序列数据的Out-of-Distribution泛化理论与方法研究
- 学科专业
- 课题关键词
- 辅导模式
- 1对1
- 发表目标
- SCI期刊1-2区 CCF-B/C
- 课题介绍
- 时间序列数据广泛存在于工业监测、金融市场、医疗诊断等关键领域，其预测与决策任务对模型泛化能力提出了严格要求。传统机器学习方法假设训练与测试数据满足独立同分布（i.i.d.）条件，但实际应用中，时间序列常因环境动态变化（如传感器漂移、政策调整）、突发干扰（如极端事件）或系统演化（如用户行为变迁）产生分布偏移，即Out-of-Distribution（OOD）问题。此时，基于训练分布优化的模型易出现性能骤降，甚至引发安全风险（如工业故障误判、金融风险漏检）。 现有OOD泛化研究多聚焦静态数据（如图像、文本），而时间序列的时序依赖性（如自相关性、周期性）、动态分布特性（如非平稳性、时变漂移）使其OOD泛化面临独特挑战：传统领域适应方法难以捕捉时序分布的连续演化，静态不变特征学习忽略了时序依赖结构的动态不变性。因此，深入探究时间序列OOD泛化的理论机制，构建适应时序动态偏移的稳健学习方法，对提升模型在真实复杂场景中的可靠性具有重要学术价值与应用意义。
导师信息
招生要求
面向具有相关学科背景与研究兴趣的学习者，具体要求以课题导师评估为准。