DeLELSTM：基于分解的线性可解释 LSTM，捕捉时间序列的瞬时和长期效应

Aug, 2023

DeLELSTM：基于分解的线性可解释 LSTM，捕捉时间序列的瞬时和长期效应

DeLELSTM: Decomposition-based Linear Explainable LSTM to Capture Instantaneous and Long-term Effects in Time Series

Chaoqun Wang, Yijun Li, Xiangqian Sun, Qi Wu, Dongdong Wang...

TL;DR提出了一种基于分解的可解释 LSTM（DeLELSTM）来改进 LSTM 的可解释性，并在三个实验数据集上对其有效性和解释性进行了演示。

Abstract

time series forecasting is prevalent in various real-world applications. Despite the promising results of deep learning models in time series forecasting, especially the Recurrent Neural Networks (RNNs), the expl

time series forecasting deep learning models interpretability lstm linear regression

发现论文，激发创造

多变量数据上可解释的 LSTM 网络探索

本文研究 LSTM 循环神经网络，探索变量的隐藏状态来捕获多变量时间序列的不同动态，并提出了混合注意机制模型来轨迹生成目标，最终建立联合训练模型以增强准确性并在多变量数据的预测与知识提取中展现潜力。

May, 2019

复兴多元时间序列预测：可学习分解与系列间依赖和系列内变异建模

通过引入可学习的分解策略和双重注意力模块，该研究论文在多元时间序列预测方面取得了显著进展，并且提出的分解策略可以插入其他方法，大大提升了性能，MSE 误差降低从 11.87% 到 48.56%。

Feb, 2024

可解释的 LSTM 神经网络用于自回归外生模型

文中提出了一种可解释的 LSTM 递归神经网络，即具有外生变量的时间序列的多变量 LSTM。该方法通过引入张量化的隐藏状态，学习每个变量的特定表示，从而实现了时间和变量级别的注意力，与统计 Granger 因果测试的变量重要性高度吻合。这一多变量 LSTM 模型可用于预测和知识发现的简单统一的端到端框架。

Apr, 2018

可视化和理解循环网络

使用字符级语言模型作为可解释的测试平台，本研究分析了 LSTM 的表示、预测和错误类型，并揭示了其提高性能的长程结构依赖性的来源。

Jun, 2015

LSTMs 自下而上地组合（和学习）

本研究利用基于门控交互的 LSTM 拆分相依度 DI 度量，探索 LSTM 构成性行为的序列表现层次结构，发现 DI 与语法距离有关；为探索这些构成性表现在训练过程中的归纳偏差，进行了简单的合成数据实验，支持一种关于如何自底向上学习层次结构的假设。

Oct, 2020

增强金融数据可视化以便于投资决策

利用 LSTM 网络预测股票动态，主要关注细微的涨跌模式，结合纽约证交所的数据集，改进 LSTM 模型以捕捉复杂的市场模式，进而提高股票价格预测的准确性。

Dec, 2023

学习非规则采样时间序列中的长期依赖

我们提出了一种基于长短期记忆机制的算法来解决非均匀采样数据上具有长期依赖性的序列建模问题，其核心是将记忆从时间连续状态中分离出来，形成了一种新的 ODE-LSTM 模型。实验证明，该模型在非均匀采样数据的长期依赖建模上优于基于其他递归神经网络的模型。

Jun, 2020

LSTM-MSNet: 利用多个季节性模式的相关时间序列集进行预测

本研究提出了一种基于分解的统一预测框架 ——LSTM-MSNet，用于预测具有多个季节性模式的时间序列数据。通过结合一系列最先进的多季节性分解技术，我们在来自不同数据源的数据集上进行了实验并展示了 LSTM-MSNet 的优势，同时也发现在单一应用程序的均质系列数据中，外生季节变量或没有季节性预处理是更好的选择。

Sep, 2019

传统和深度学习模型对纵向医疗记录的可解释性

该研究评估了传统（XGBoost）和深度学习（LSTM with Attention）模型在全局和个别预测水平上的可解释性表现，并比较了三种流行的解释性方法：SHapley Additive exPlanations（SHAP）、Layer-Wise Relevance Propagation（LRP）和 Attention。该研究发现，总体而言，使用 SHAP 或 LRP 的 LSTM 提供了优于 XGBoost 的可解释性表现，而带有点积 Attention 的 LSTM 则未能产生合理的结果。

Nov, 2022

可解释的短期负荷预测：多尺度时间分解

机器学习和深度学习的快速发展使得在电力系统的电力负荷预测等应用方面取得了广泛的成果。本文提出了一种可解释的深度学习方法，通过学习每个神经网络对输入时间特征进行关注的线性组合来实现。并且，我们提出了多尺度时序分解方法来处理复杂的时间模式。在比利时中央电网负荷数据集上进行了案例研究，结果表明所提出的模型相对于频繁应用的基准模型具有更好的准确性。此外，本方法不仅能展示特征的解释性，还能展示与其他基准方法相比的时间解释性，同时还能获得全局时间特征的解释性，这使得我们能够捕捉到负荷数据的整体模式、趋势和周期性，同时揭示了各种与时间相关的特征在形成最终输出中的重要性。

Feb, 2024