预测中的传感器故障鲁棒性基准评测

arXiv:2605.10822v2 公告类型：替换 摘要：信息物理系统（CPS）的预测模型依赖于传感器数据流，其中的读数可能含有噪声、偏差、缺失或时间错位，但标准预测评估往往根据正常条件下的误差选择模型，却未展示模型在此类故障下是否仍具有鲁棒性。我们提出 SensorFault-Bench，这是一套立足于 CPS 的评估协议，通过针对单一输入故障的受控合成压力测试，评估预测架构和鲁棒性改进方法，并提供这些方法的操作性分类体系。该协议在四个真实世界数据集和八个由标准化严重程度模型规定的评分场景中，报告最坏场景下的性能退化、无故障条件下的均方误差（MSE），以及最坏场景下故障期间的 MSE，从而区分相对鲁棒性与绝对误差。显式故障训练方法使用与评分场景不重叠的相近故障类别进行训练。实证结果表明，在无故障 MSE 指标上表现优异的预测架构，在故障条件下可能出现性能急剧退化；按无故障 MSE 得出的排名，也可能与按最坏场景下故障期间误差得出的排名不一致。在两个单目标数据集上，所评估的零样本基础模型 Chronos-2 的无故障 MSE 与使用最后观测值的朴素预测器相当或更差；而在所有通道均为预测目标的 ETTh1 和 Traffic 上，其最坏场景下的性能退化幅度最大。对于所评估的鲁棒性改进方法集合，配对差值表明，性能退化的降低具有选择性：当数值故障主导观测到的性能退化时，投影梯度下降对抗训练和随机化训练表现领先；而在可用性故障占主导的 Traffic 上，故障增强表现领先。较大的性能退化揭示了无故障 MSE 未能反映的故障敏感性，而较小的性能退化仅能支持模型在已评估场景内具有鲁棒性的结论。因此，该基准用于在特定部署中使用预测器之前进行筛选；具体部署仍需针对其记录的故障进行验证。