ICMLOct, 2023

XTSC-Bench：时间序列分类模型解释器的定量基准测试

PDF
TL;DR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。
explainable machine learningtime series classificationevaluation methodsstandardized benchmarking toolmultivariate data
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

  • 时间序列分类的自动特征工程：评估与讨论

    时间序列分类（TSC）一直是数据科学和知识工程中的一项关键且具有挑战性的问题。在过去的二十年里，有关 TSC 的研究受到了广泛关注，并涌现出许多基于相似度度量、区间、形状、字典、深度学习方法或混合集成方法的最新方法。近年来，人们还设计了几种从时间序列中提取无监督信息摘要统计（即特征）的工具。本文通过对 112 个时间序列数据集上进行的超过 10000 次学习实验的结果分析表明，基于特征的方法的性能与当前先进的 TSC 算法一样准确，因此在 TSC 文献中应该得到更多的关注。

    Aug, 2023

  • 多元时间序列分类的解释方法评估

    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。

    Aug, 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

  • 大规模时间序列数据的快速分类

    时间序列分类是时间序列挖掘中最重要的任务之一，本论文介绍了一种以效率为主要目标的新方法，通过简化时间序列的表示和考虑部分值的距离度量，实现对大型时间序列数据集的高效分类。实验结果表明，与其他高效方法相比，该方法不仅平均速度快 4 倍，而且在分类准确性上更为优越。

    Dec, 2023

  • 通过自监督模型行为一致性对时间序列解释进行编码

    TimeX 通过引入模型行为一致性的新颖表述来训练，通过生成离散归属度量和学习解释的潜在空间，提供更具解释性和灵活性的解释方法，能够有效地进行时间序列建模的解释和预测。

    Jun, 2023

  • 面向人本解释性文本分类基准的探索

    本文探讨了已有的文本分类数据集不能准确反映真实应用场景的问题，并提出了两点解决方案：一是在文本分类数据集中增加可解释性的评价指标，二是通过人类的应用场景与判断加强数据集的教学力度。

    Nov, 2022

  • timeXplain -- 时间序列分类器预测解释框架

    该研究提出了一种名为 timeXplain 的框架，旨在将解释性人工智能应用于时间序列分类和价值预测中，并在该框架下对几种最先进的时间序列分类器进行了大规模实验比较，发现了似乎不同的分类概念之间的相似性。

    Jul, 2020

  • TimeX++：使用信息瓶颈学习时间序列解释

    该论文从信息论的角度研究深度学习模型在时间序列数据上的解释问题，并介绍了一种新颖的时间序列可解释学习框架 TimeX++，通过实验结果证明其在解释质量方面的显著改进。

    May, 2024

  • 早期时间序列分类算法：实证比较

    本研究旨在评估和比较现有的早期时序分类算法，为生命科学和海事领域提供分类预测，并建立一个可用于相关技术测试的基准。

    Mar, 2022