TimeTuner：时间序列预测中的时间表示的诊断及对立证明

Jul, 2023

TimeTuner：时间序列预测中的时间表示的诊断及对立证明

TimeTuner: Diagnosing Time Representations for Time-Series Forecasting with Counterfactual Explanations

Jianing Hao, Qing Shi, Yilin Ye, Wei Zeng

TL;DR该论文提出了一种名为 TimeTuner 的新型可视化分析框架，用于帮助分析人员理解模型行为与时间序列表示的局部相关性、稳定性和粒度之间的关联，并通过反事实解释、多种协调视图和交互方式来改进自动特征学习的限制，展示了其在实际时间序列预测中的适用性。

Abstract

deep learning (DL) approaches are being increasingly used for time-series forecasting, with many efforts devoted to designing complex DL models. Recent studies have shown that the DL success is often attributed to effective data representations, fostering the fields of →

deep learning time-series forecasting feature engineering representation learning visual analytics

发现论文，激发创造

使用 CounterfacTS 评估时间序列预测模型的鲁棒性

CounterfacTS 是一个用于通过反事实来探测深度学习模型在时间序列预测任务中的鲁棒性的工具，具有用户友好的界面，可视化、比较和量化时间序列数据及其预测结果，并允许用户以可解释的方式应用各种转换探索预测的变化。通过示例案例，我们说明了 CounterfacTS 如何用于识别时间序列集合的主要特征、评估模型性能的依赖性以及指导转换原始时间序列以创建具有期望属性的反事实，从而提高在数据分布的新区域中的预测性能，并讨论了在转换时间序列和创建有效的反事实时可视化和考虑数据在投影特征空间中的位置的重要性。总体而言，CounterfacTS 有助于创建反事实，以高效地探索原始数据未涵盖的假设情景对于时间序列预测任务的影响。

Mar, 2024

可自解释的时间序列预测与反事实解释

该研究旨在通过提出可自我解释的 Counterfactual Time Series (CounTS) 模型，从而生成针对时间序列预测的反事实和可操作性解释，该模型可以提供更好的反事实解释，同时保持相当的预测准确性，并建立相应的评估方案。

Jun, 2023

基于实例的时间序列分类对抗解释

本文提出了一种模型无关的案例技术 ——Native Guide，用于生成时间序列分类器的反事实解释，该技术通过突出和修改分类的基础部分来调整已有的反事实情况，并通过两个比较实验的定量和定性结果验证了其优越性。

Sep, 2020

时间序列预测的反事实解释

本研究提出了一种用于时间序列预测的算法 ForecastCF，通过对原始时间序列应用基于梯度的扰动，并应用约束来引导扰动，以获得预期的预测结果。实验结果表明，ForecastCF 在反事实有效性和数据流形接近度方面优于基线模型，可以为各种预测任务生成有意义和相关的反事实解释。

Oct, 2023

可解释并行 RCNN 以及新颖的特征表示在时序预测中的应用

本研究提出了一种新的特征表示策略 - shifting，利用并列的 RNN 和 CNN 框架进行分层，并采用跳过连接技术来提高模型性能，以解决时间序列预测中存在的历史和未来数据分离的限制，同时使用 Grad-CAM 算法提高模型的可解释性。

May, 2023

TimeDRL：多变量时序数据的解缠结表示学习

TimeDRL 是一个通用的多变量时间序列表示学习框架，通过解耦的双层嵌入技术，利用预测和对比损失来学习时间戳级别和实例级别的嵌入，避免了数据增强方法引起的归纳偏差，并在多个实验中表现出优于现有方法的性能。

Dec, 2023

基于深度学习的交通预测的对立解释

通过反事实解释方法增强可解释性和可用性，揭示深度学习模型学习的交通模式，提高交通预测模型的透明性和可理解性。

May, 2024

一种用于时间序列的监督对比学习预训练 - 微调方法

引入一种新的预训练程序，利用有监督对比学习来区分每个预训练数据集中的特征，进而通过将目标数据与预训练数据集的学习动态更加紧密地对齐，以提高目标数据的准确预测。

Nov, 2023

利用专家特征进行时序表征的对比学习

该论文介绍了一种新的对于时间序列进行特征学习的方法，该方法能够使用专家知识提取特征替代传统的数据变换方法，实验表明，该方法在无监督和半监督学习领域的表现优于现有的多个方法。

Jun, 2022

通用时间序列表示学习调查

使用深度学习从时间序列数据中提取隐藏模式和特征的研究现状和未来发展方向的综述。

Jan, 2024