ICLRJul, 2021

时间序列预测特征重要性的时间依赖关系

PDF
TL;DR本研究提出双重解释方法，旨在解决时间序列数据中不同观测对同一特征的相关性以及特征重要性的变化，经过对合成和实际数据的实证研究，与目前领先的解释方法相比，具有更高的一致性和更好的性能表现
time series dataexplainabilityfeature importancetemporal dependenceevaluation
发现论文，激发创造
  • 何时出错？基于实例特征重要性的时间序列模型解释

    我们提出了 FIT 框架来评估多元时间序列黑匣子模型中观察值的重要性，并且与现有的基线方法比较，在模拟和真实世界的临床数据上证明我们的方法在确定时间序列中的重要时间点和观察值方面更具优越性。

    Mar, 2020

  • 在时间序列预测中进行深度学习可解释性基准测试

    本篇论文研究了基于 saliency 的可解释性方法在时间序列数据上的应用，提出并比较了多种 saliency 方法在不同神经网络结构上的性能，并提出多种指标进行评估，发现常规的网络结构和 saliency 方法难以可靠和精确地识别时间序列数据中特征的重要性，这主要是由于时间和特征领域的混淆所导致的，但使用文中提出的两步形式的时间 saliency rescaling 方法可以显著提高 saliency 图的质量。

    Oct, 2020

  • 学习扰动来解释时间序列预测

    通过学习掩码和相关扰动，来解释基于多元时间序列数据的预测，显著提高了对时间序列数据的解释质量。

    May, 2023

  • 关于时间序列分类的显著性解释的一致性和稳健性

    对于时间序列分类，本文广泛分析了时间序列特征和时间归因的显著性解释模型的一致性和鲁棒性，并发现它们在各种程度上都存在一些缺乏一致和鲁棒性的问题。通过指出有缺陷的显著性解释模型，我们激励了对时间序列分类开发一致和鲁棒的解释方法。

    Sep, 2023

  • 特征重要性的固有不一致性

    本文提出一种新的特征重要性得分框架，通过将特征空间重新划分成可分离集合，从而统一了现有研究所存在的不一致性，实现了对机器学习算法的可解释性。

    Jun, 2022

  • 时间筛：通过信息瓶颈提取时间动态

    我们提出了一种创新的时间序列预测模型 TimeSieve，通过使用小波变换预处理时间序列数据并引入信息瓶颈理论过滤冗余特征，提高了预测准确性和泛化能力，解决了时间序列预测中的关键问题。

    Jun, 2024

  • 工业大数据应用中的分布式和并行时间序列特征提取

    提出了一种高效的、可扩展的、基于特征提取和重要性过滤的算法，用于过滤机器学习流水线中具有显著影响的特征，特别适用于预测性维护或生产线优化等任务中的时间序列分类和回归问题，并在模拟随机过程和 UCR 时间序列分类库的二元分类问题中进行了基准测试。

    Oct, 2016

  • 傅里叶混合窗口注意力：加速长序列时间序列预测的 Informer

    通过非线性回归模型实验证明，命名为 FWin 的快速本地 - 全局基于窗口的注意方法，可以加速 Informer 适用于长序列时间序列预测的推断速度，并显着提高 Informer 的预测准确性。

    Jul, 2023

  • TimeX++：使用信息瓶颈学习时间序列解释

    该论文从信息论的角度研究深度学习模型在时间序列数据上的解释问题，并介绍了一种新颖的时间序列可解释学习框架 TimeX++，通过实验结果证明其在解释质量方面的显著改进。

    May, 2024

  • 特征重要性与特征影响：对可解释人工智能的意义

    这篇论文提供了一种统一的定义，可以应用于后续解释，评估不同方法的忠实度和稳定性，并且展示了使用上下文重要性和效用可以提供比只使用影响力时更富表达力和灵活性的解释。

    Aug, 2023