Badacze opublikowali na arXiv nową metodę oceny wiarygodności predykcji w klasyfikacji szeregów czasowych, która łączy analizę widmową sygnału z традиционными wynikami modelu. Problem jest istotny - dwie różne predykcje mogą mieć identyczną ocenę pewności, ale jedną wspiera rzeczywisty sygnał czasowy, a drugą nie. Tradycyjna kalibracja post-hoc remapuje tylko wyniki modelu, ignorując, czy prognoza faktycznie jest uzasadniona dostępnymi danymi.
Proponowana metoda trzyma oryginalną predykcję modelu bez zmian, ale dodaje estymację niezawodności na podstawie spektralnych cech sygnału. Algorytm analizuje energię poszczególnych pasm częstotliwości, entropię, dominancję pików, wsparcie dla okresowości i stabilność fazy. Kluczowym elementem jest bramka walidacyjna - jeśli analiza spektralna poprawia ranking poprawności predykcji bez przekraczania tolerancji dla błędów fałszywie pewnych, metoda wykorzystuje spektralne wskazówki. W przeciwnym wypadku wraca do bezpieczniejszego podejścia bazującego wyłącznie na wynikach modelu.
Wyniki testów na ośmiu heterogenicznych zbiorach danych UCR/UEA z ośmioma różnymi rodzinami modeli klasyfikacyjnych pokazują znaczącą poprawę. Niekalibrowana metoda podniosła współczynnik Corr-AURC z 0,693 do 0,779, a polityka walidacyjna dalej poprawiła go do 0,786. Jednocześnie liczba fałszywie pewnych błędów przy progu 0,9 spadła do 0,094. Badanie sugeruje, że dodanie spektralnych wskazówek do oceny wiarygodności pozwala lepiej identyfikować, które predykcje rzeczywiście można zaufać w praktycznych zastosowaniach.