Aug, 2023

多元时间序列分类的解释方法评估

PDF
TL;DR多元时间序列分类中的解释方法主要关注基于显著性的解释方法，通过分析 ROCKET 和 dResNet 分类器，以及 SHAP 和 dCAM 两种解释方法在不同数据集上的表现，发现多元数据集的平坦化对分类效果有积极影响，同时也注意到了合成数据集不适合进行时间序列分析。
multivariate time series classificationexplanation methodssaliency-based explanationrocketdresnet
发现论文，激发创造
  • 提高多变量时间序列分类的解释方法评估和可操作性

    基于多元时间序列分类的解释方法研究，通过评估和改进解释方法的精确度和效率，展示解释方法在频道选择的应用中具有的可操作性，并展示基于扰动法的解释方法在各种数据集、分类器和任务中的优势。

    Jun, 2024

  • 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

  • 基于形状子序列的多元时间序列因果解释

    本研究提出了一种基于时序多元数据和可解释人工智能的反事实解释算法，该算法能够产生高质量、可视化、近距离和可信的反事实解释，帮助黑匣子模型的解释和决策过程可靠性的提升。

    Aug, 2022

  • XTSC-Bench：时间序列分类模型解释器的定量基准测试

    该研究提出了一个标准化基准工具 XTSC-Bench，用于评估解释方法在时间序列分类中的效果，并分析了 3 种扰动方法、6 种梯度方法和 2 种示例方法的表现，发现改善解释器的鲁棒性和可靠性对于多变量数据尤为重要。

    Oct, 2023

  • 一个性能可解释性框架，以评估机器学习算法：应用于多元时间序列分类器

    本研究提出一种新的性能 - 可解释性分析框架，旨在评估和基准测试机器学习方法。该框架详细说明了一组特征，系统化现有机器学习方法的性能 - 可解释性评估。为了说明框架的使用，我们将其应用于基准测试当前最先进的多元时间序列分类器。

    May, 2020

  • 基于不同维度输入转换的多元时间序列分类的实证评估

    本研究旨在探讨多维时间数据的分类，考虑到数据预处理和尺度调整对模型准确性的影响，研究测试了 7 种不同的数据转换方法和 4 个时间维度，通过测定五种不同方法的分类准确度来说明多元时间序列数据的处理方法的影响。研究表明，在大多数数据集上，最佳数据转换维度配置相对于具有相同超参数并且不经过尺度调整的模型，可以提高 0.16 到 76.79% 的分类准确度，并且不同特定数据集和分类器的最优配置不尽相同。

    Oct, 2022

  • TimeMIL：通过面向时间的多实例学习推进多变量时间序列分类

    利用弱监督学习将多变量时间序列分类重新定义为多实例学习问题，通过引入基于时间感知的多实例学习池化，结合专门设计的可学习小波位置标记的令牌化变换器，以更好地定位和建模时间序列中感兴趣的模式，并表明该方法在多变量时间序列分类方面的优越性。

    May, 2024

  • 跨通道和时间维度的多元时间序列早期分类

    本研究提出了一种更灵活的早期分类流程，将早期分类范例扩展到通道维度，并利用强化学习技术和约束条件来实现此方法，在合成数据上进行实验并在实际数据集上评估其性能，结果表明该方法可以通过实现更精确的分类来增强早期分类范例。

    Jun, 2023

  • 时间序列分类的多尺度卷积神经网络

    提出了一种基于多尺度卷积神经网络的时间序列分类模型，该模型将特征提取和分类集成在一个框架中，具有较高的准确性和计算效率，并在大量基准数据集上进行了全面的实证评估，取得了优于其他先进方法的性能。

    Mar, 2016

  • MTS2Graph: 具有时间演化图的可解释性多变量时间序列分类

    本文介绍了一种新的框架，通过提取和聚类高度激活 CNN 神经元的输入表征模式来解释多元时间序列数据，以捕获输入信号的作用和依赖关系，并构建一个捕获每层提取模式的时间关系的图形，最后使用图形嵌入算法生成可解释的时间序列特征表示。通过在 8 个 UCR/UEA 归档数据集以及 HAR 和 PAM 数据集上运行广泛的实验，证明了我们的时间感知基于图形的表征在 MTS 分类中具有明显优势，并丰富了它们的可解释性。

    Jun, 2023