暴露深度不平衡回归评估的盲点

arXiv:2609.25152v1 公告类型：新 摘要：深度不平衡回归 (DIR) 解决了回归模型的常见故障模式：目标分布高度不均匀，导致模型在人口稠密的目标区域中表现最佳，即使在整个目标范围内需要可靠的性能时也是如此。尽管方法论进展迅速，DIR 评估仍然受到三个盲点的限制：它以基于图像的基准为主导，其标准的多/中/少镜头协议是诊断性的，但不是决策完整的，并且随机种子的尾部区域稳定性尚未得到系统评估。我们沿着这三个轴重新审视 DIR 评估。首先，我们通过跨六个物理域的九个时间序列外在回归任务在多模态虚拟传感基准（\textsc{MuViS}）上评估 DIR 来扩展数据域，其中罕见的目标值通常对应于具有操作意义的状态。其次，我们采用平衡 MAE (\emph{bMAE}) 并引入平衡平均绝对标度误差 (\emph{bMASE})，这是一种标度归一化指标，用于跨方法和数据集进行决策完整比较。第三，通过对多个随机种子的六种代表性 DIR 方法进行重复重新评估，我们发现 DIR 所针对的尾部区域对种子水平变异性表现出特别高的敏感性。我们的结果表明，标准虚拟传感模型表现出全局 MAE 隐藏的大量尾部退化，现有的 DIR 方法可以提高平衡性能，但不均匀地转移到多模态时间序列数据，并且尾部区域不稳定性在当前 DIR 评估实践中仍然是很大程度上隐藏的故障模式。这些发现和我们公开的代码共同为未来 DIR 研究回归系统提供了可重复的基础，这些回归系统可以像常见目标状态一样可靠地捕获罕见目标状态。