이상적인 시계열 분류는 불변 표현을 포착해야 하지만, 분포 외부(OOD) 데이터에 대한 신뢰성 있는 성능을 달성하는 것은 여전히 핵심적인 난관으로 남아 있습니다. 이는 모델이 도메인별 특징과 레이블 관련 특징을 얽히게 하여 잘못된 상관관계를 초래하기 때문입니다. 현재의 특징 분리 방법은 지시가 없어 진정으로 보편적인 특징을 분리하는 데 필요한 의미론적 방향이 부족합니다. 이 문제를 해결하기 위해, 유도되고 신뢰할 수 있는 특징 분리를 가능하게 하는 ERIS(Energy-Regularized Information for Shift-Robustness) 프레임워크를 제안합니다. ERIS는 에너지 유도 보정 메커니즘, 가중치 수준 직교성 전략, 보조적 적대적 일반화 메커니즘을 통해 이 목표를 달성합니다. 네 가지 벤치마크에 대한 실험 결과, ERIS는 최첨단 기준선보다 통계적으로 유의미한 개선을 달성하여 일관되게 최고 성능을 기록했습니다.
