Cascade-KDE: Robust Time-Series Restoration under Out-of-Distribution Impulse Corruptions

Real-world time-series data in industrial sensing, healthcare, and energy systems is often corrupted by a mixture of Gaussian noise and occasional large-magnitude impulse outliers. For tasks that depend on local shape, such as ECG morphology analysis and battery degradation monitoring, the main requirement is not only low reconstruction error but also preservation of derivative peaks and task-critical features. We propose Cascade-KDE, a training-free restoration framework for corrupted time series. The method first estimates a two-dimensional temporal-amplitude density, then applies a Density-Truncated Robust Expectation to limit the influence of distant abnormal points, and finally refines the sequence through an exponential cascade with adaptive stopping. This design aims to improve robustness under out-of-distribution impulse corruptions while keeping the restored trajectory close to the original local structure. Across several benchmark datasets, the proposed method shows consistent gains over classical filters and representative learning-based baselines on curve fidelity, derivative preservation, downstream classification, and runtime efficiency. These results suggest that bounded density-based restoration is a practical option for feature-preserving preprocessing in noisy time-series pipelines.

📋 한 줄 요약

**[시계열 복원 / 충격 노이즈]** Cascade-KDE가 2D temporal-amplitude density + Density-Truncated Robust Expectation + adaptive cascade로 학습 없이 OOD 임펄스 노이즈 시계열 복원 — ECG·배터리 모니터링의 derivative peak 보존·고속.

🎯 핵심 기여도

산업 센싱·헬스케어·에너지 시스템의 실세계 시계열이 종종 Gaussian 노이즈와 occasional large-magnitude impulse outlier가 혼합되어 corrupt됨을 동기.
ECG morphology 분석·배터리 degradation 모니터링처럼 local shape에 의존하는 task에는 단순 reconstruction error 최소화가 아니라 derivative peak·task-critical feature 보존이 핵심 요구라는 설계 원칙 명시.
Cascade-KDE 제안 — training-free 시계열 복원 프레임워크.
두 차원의 temporal-amplitude density를 먼저 추정, Density-Truncated Robust Expectation으로 distant abnormal point의 영향 제한, 마지막에 adaptive stopping을 가진 exponential cascade로 sequence 정제 — OOD impulse corruption에 robustness 향상, 원 local 구조 보존.

💡 핵심 아이디어

Impulse-noise·OOD outlier가 섞인 시계열 복원에는 학습 기반 모델이 아니라 (1) temporal-amplitude density 추정 + (2) density-truncated robust expectation으로 outlier 영향 절단 + (3) adaptive stop을 가진 exponential cascade로 정제가 효과적이며, training-free이면서 derivative-preserving 복원이 가능하다.

🔬 기술적 접근법

**방법론**: Cascade-KDE — training-free 시계열 복원.
**핵심 기법**: (1) 2D temporal-amplitude density 추정(KDE), (2) Density-Truncated Robust Expectation으로 distant abnormal point 영향 제한, (3) Adaptive stopping을 가진 exponential cascade refinement, (4) 학습 없이 즉시 적용 가능, (5) Derivative·local feature 보존을 직접 목표로 설계.

📊 주요 결과

여러 벤치마크 데이터셋에서 classical filter·representative learning-based baseline 대비 일관 이득.
Curve fidelity·derivative preservation·downstream classification·runtime efficiency 모두 우수.
Bounded density-based 복원이 feature-preserving 전처리에 실용 옵션임 입증.

💭 의의 및 한계

**의의**: OOD impulse-noise에 robust한 training-free 시계열 전처리, derivative·local shape 보존이라는 명확한 task 친화 목표, runtime·downstream 동시 우수로 실용 가치 큼. **한계**: KDE 기반으로 매우 긴 시계열·고차원 multivariate에서의 비용, adaptive stop·truncation hyperparameter 튜닝 필요, 비-impulse 노이즈에서의 ablation 추가 검증 여지.

🚀 실용적 활용

ECG morphology·심전도 신호 전처리.
배터리·산업 센서 degradation 모니터링.
Energy·산업 IoT 시계열 노이즈 제거 전처리.