本研究聚焦于解释全球范围内，年度时间数据的变化，旨在识别导致这些时间转变的关键因素。我们利用局部可解释的模型不可知解释（LIME）来阐明国家幸福指数、经济自由和人口统计指标，并跨越不同时间段。通过三种填充方法来处理缺失值，我们生成了适用于 LIME 输入要求的稳健多变量时间序列数据集。通过一系列涉及多个数据集的实证评估，我们证实了我们的方法的有效性。这些评估包括与随机特征选择的比较分析，通过 LIME 阐述的与现实世界事件的相关性，以及使用个体条件期望（ICE）图进行验证，这是一种在特征重要性检测方面精通的先进技术。

Apr, 2024

本文提出一种算法框架 bLIMEy，用于构建定制的本地替代解释器，其中包括 LIME，该框架独立且可互操作，并讨论了组件选择对结果解释器功能能力的影响。

Oct, 2019

本文提出了基于树状结构的局部解释机器学习模型方法 LIME-SUP，相较于基于聚类 KLIME 方法，LIME-SUP 具有更好的解释性，并且在实证研究中表现更优。

Jun, 2018

基于大型语言模型（LLMs）的启发，时间序列预测（TSF）正在向基于 Universal-Transformer 的大型时间序列模型（LTSMs）过渡，旨在为 TSF 训练通用模型。然而，在异构时间序列数据上训练 LTSMs 面临着多样的挑战，包括数据集之间不同的频率，维度和模式。我们通过综合分析设计选择，并旨在确定训练 LTSM 的最佳实践。此外，我们提出了一种针对时间序列数据的新型统计提示策略称为 “时间序列提示”。基于我们分析中的观察结果，我们引入了 “LTSM-bundle”，该捆绑包绑定了我们确定的最佳设计选择。实证结果表明，“LTSM-bundle” 在基准数据集上相比于最先进的 LSTMs 和传统的 TSF 方法具有卓越的零射击和少射击性能。

Jun, 2024

tsMorph 方法通过数据集变形生成半合成时间序列，用以评估 Long Short-Term Memory Network 在频率不同的时间序列上的性能。研究结果表明，tsMorph 是一种有效理解预测算法行为的工具，并能克服实证研究所面临的限制，从而实现更广泛和可靠的实验。

Dec, 2023

基于大规模语言模型和交叉模态对齐，提出了 TimeCMA 框架，用于多变量时间序列预测，实验证明其准确性和高效性。

Jun, 2024

一篇研究时间序列的多变量预测的可解释神经网络模型，通过循环神经网络学习数据的时间依赖性，配合基于注意力的特征选择组件来选择最相关和抑制冗余的特征，通过独立训练选定特征的模块化深度网络，展示特征对结果的影响，从而使模型可解释。实验结果表明，该方法在时间序列的回归和分类任务中优于现有的可解释神经加性模型（NAM）及其变体，且达到与时间序列的非可解释方法 LSTM 和 XGBoost 相媲美的预测性能。

Nov, 2023

提出了一种基于编码器 - Transformer 结构的多元时间序列预测框架，用于预测系统剩余可用寿命，与其他 13 种当前最先进模型相比，其性能提升了平均 137.65%。

Aug, 2023

本研究探索了利用 Local Interpretable Model-agnostic Rule-based Explanations for Forecasting（LIMREF）等局部解释框架，解释全球预测模型中的电力需求预测，确保预测精度和可解释性，实现更好的决策制定，同时考虑了包括温度和日历效应在内的外生影响因素。

Feb, 2022

使用 Mixture-of-Linear-Experts (MoLE) 方法可以降低线性中心模型的预测误差，并在大多数数据集和设置上实现最先进的长期时间序列预测结果。

Dec, 2023