树合奏是广泛使用的强大模型。但是，它们容易受到对抗性示例的影响，这些例子是故意构建的，以引起该模型的错误预测。这可以降低性能并侵蚀用户对模型的信任。通常，方法试图通过验证学习合奏或鲁棒性学习过程来缓解这个问题。我们采用另一种方法，并试图在剥离后环境中检测对抗性示例。我们为此任务提供了一种新颖的方法，该方法是通过分析看不见的示例的输出配置来工作的，这是整体组成树做出的一组预测。我们的方法与任何添加树的合奏一起使用，不需要训练单独的型号。我们在三个不同的树合奏学习者上评估我们的方法。我们从经验上表明，我们的方法目前是树形合奏的最佳对抗检测方法。

由于高存储成本和计算要求，在实践中分析了许多或长时间序列。因此，已经提出了技术来生成时间序列的紧凑相似性保存表示，从而实现大量内存数据集合的实时相似性搜索。然而，当序列在局部间隙时，现有技术并不适合评估相似性。在本文中，我们提出了使用产品量化以了解基于时间序列的有效相似性的比较。该想法是首先通过将时间序列划分为由短代码表示的相等长度子序列来压缩数据。然后可以通过在其代码之间的预先计算的弹性距离来有效地近似于两个时间序列之间的距离。分区进入子序列强制不需要的对齐，我们使用最大重叠离散小波变换（MODWT）与预先对准步骤进行地址。为了展示我们方法的效率和准确性，我们对最近邻居分类和聚类应用中的基准数据集进行了广泛的实验评估。总的来说，所提出的解决方案作为高效（在内存使用和计算时间方面）的高效（无论是在时间序列应用中的弹性措施的替代。