時系列分類モデルの予測に対する信頼性評価は、機械学習システムが実務で安全に運用される上で極めて重要な課題である。従来のキャリブレーション手法は主に出力スコアの再マッピングに焦点を当ててきたが、実際のデプロイメント環境では「この予測を信頼できるのか」「判断の保留や人間による再検証が必要か」といった具体的な判断が求められる。本研究は、時系列分類における信頼性評価の3つの主要な課題に対処する革新的なアプローチを提案している。 第一の課題は、異なる時間パターンを持つデータでも同じ信頼度スコアが出力される可能性があり、これが予測を支える信号の質的違いを隠してしまうことである。第二に、平均的なキャリブレーション指標では、高い信頼度で出力されながら実は誤っている予測を見落とすリスクがある。第三に、従来の出力空間でのキャリブレーション手法では、なぜその予測が信頼できるのか（あるいは信頼できないのか）を入力データに基づいて説明する監査可能性が限定的である。 本研究で提案される手法は、バンドエネルギー、エントロピー、ピーク優位性、周期サポート、位相安定性といったスペクトル特性を含む包括的な特徴量を活用し、出力側の信号と統合することで、信頼性の総合的な推定を実現する。特に「検証ゲート」という機構により、スペクトル情報を用いた条件付け処理は信頼性ランキングが改善される場合にのみ適用され、危険な場合は安全な出力空間ベースラインに戻る設計になっている。8つの異なるデータセットと複数の時系列分類モデルで評価した結果、Corr-AURCメトリクスは0.693から0.786へと大幅に向上し、偽りの高信頼度エラーの割合も削減された。この研究は、時系列分類器の信頼性評価において、出力信頼度とスペクトル証拠を統合的に活用することの有効性を実証している。