时间序列预测的反事实解释
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
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
该论文提出了一种生成利用条件生成模型来生成稀疏的、在分布中反事实模型解释的通用框架，可适用于不同模态的数据，并说明了该方法在图像、时间序列和混合类型表格数据上的有效性。
Jan, 2021
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
本文提出了一种模型无关的基于实例的事后解释性方法，用于时间序列分类。该方法利用形状特征和 TimeGAN 为任意时间序列分类器提供对抗性解释。我们通过对 UCR 时间序列存档中的几个真实单变量时间序列分类任务进行验证，结果表明与最先进的方法相比，Time-CF 生成的对抗实例在近似性、可感知性、合理性和稀疏性四个解释性指标方面表现更好。
Feb, 2024
本文提出了一种基于生成对抗的反事实方法来处理多类土地覆盖分类任务中的卫星图像时间序列数据，通过寻找、展示样本沿决策边界的类似样本，增强深度学习模型的可解释性。该方法具有先前方法相比灵活性高、可解释性强的特点。
Jan, 2023
本研究提出了 CFWoT，一种基于强化学习的反事实解释方法，用于生成反事实解释。CFWoT 适用于没有训练数据集的静态和多变量时间序列数据集，并可以处理连续和离散特征。CFWoT 生成的反事实解释所需进行的改变更少且更小，使其更具可操作性。
May, 2024
利用 REVISEDplus 数据驱动方法，通过在高密度区域内生成可行且合理的反事实解释，学习过程案例中活动之间的顺序模式，并评估反事实解释的有效性。
Mar, 2024
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