通过多实例学习实现固有可解释的时间序列分类

ICLRNov, 2023

通过多实例学习实现固有可解释的时间序列分类

Inherently Interpretable Time Series Classification via Multiple Instance Learning

Joseph Early, Gavin KC Cheung, Kurt Cutajar, Hanting Xie, Jas Kandola...

TL;DR我们利用多示例学习 (MIL) 提出了一种名为 MILLET 的新框架，将其应用于现有的深度学习时间序列分类模型，展示了如何在不降低 (有时甚至提高) 预测性能的情况下使其具有内在的可解释性。通过在 85 个 UCR 时间序列分类数据集上进行评估，并提出了一个新的合成数据集，我们展示了 MILLET 能够快速生成比其他著名的解释性方法更高质量且更稀疏的解释。据我们所知，我们的工作是首次开发用于时间序列分类的通用 MIL 方法，并将其应用于广泛领域。

Abstract

Conventional time series classification (TSC) methods are often black boxes that obscure inherent interpretation of their decision-making processes. In this work, we leverage multiple instance learning (MIL) to o

time series classification multiple instance learning locally explainable deep learning interpretability evaluation

发现论文，激发创造

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

多实例学习的模型无关可解释性

本文研究了多示例学习（MIL）中模型的可解释性，并提出了几种模型无关的方法来满足这些要求，在多个数据集上与现有的基于模型的 MIL 模型进行比较，并取得了高达 30% 的解释性准确性的提高。同时研究了这些方法识别实例间相互作用的能力和扩展到大型数据集，从而提高了它们应对实际问题的能力。

Jan, 2022

ProtoMIL: 使用原型零件进行多示例学习的全幻灯片图像分类

本文介绍了一种基于可视化原型的 ProtoMIL 弱监督机器学习方法，该方法将原型特征融入对象描述中，使模型能够同时具备高精度和细粒度可解释性。该方法在五个公认的 MIL 数据集上进行了实验验证。

Aug, 2021

SC-MIL: 稀疏编码多实例学习用于大规模图像分类

提出了一种稀疏编码多示例学习（SC-MIL）方法，通过利用稀疏字典学习，同时改善了特征嵌入和模型化实例之间的相关性，实验结果表明，该方法可以大幅提升最先进的多示例学习方法的性能。

Oct, 2023

TreeMIL: 多实例学习框架用于时间序列异常检测与不精确监督

这篇研究提出了一种基于树的多示例学习框架（TreeMIL），用于解决时间序列异常检测中的集体异常问题，并在七个公共数据集和八种基线方法上进行实验证明，相较于先前最先进的方法，TreeMIL 的 F1 得分平均提高了 32.3%。

Jan, 2024

时间序列的增量式学习：基准和评估

现实环境具有非平稳性，经常引入新的类别。时间序列分类中尤为常见，例如医疗保健中新的疾病分类的出现或人类活动识别中新活动的添加。因此，需要学习系统能够在有效吸收新类别的同时避免对旧类别的灾难性遗忘，从而产生了类别增量学习（CIL）问题。然而，尽管图像和语言领域取得了令人鼓舞的进展，但对于时间序列数据的 CIL 仍然相对较少研究。现有的研究在实验设计上存在不一致，需要在广泛的数据集上进行综合评估和基准测试方法。为此，我们首先概述了时间序列类别增量学习（TSCIL）问题，并强调其独特的挑战和先进的方法。此外，基于标准设置，我们开发了一个统一的实验框架，支持新算法的快速开发，新数据集的轻松集成，以及评估过程的标准化。利用该框架，我们在标准和隐私敏感场景下对各种通用和特定于时间序列的 CIL 方法进行了全面评估。我们广泛的实验不仅为未来的研究提供了标准基线，还揭示了各种设计因素（如归一化层或内存预算阈值）的影响。代码可在此 https URL 上获取。

Feb, 2024

SI-MIL: 驯服千兆像素组织病理学中深度无监督学习的自解释性

为了提高对 Whole Slide Image（WSI）分析中多实例学习（MIL）方法的解释性和推理能力，我们提出了一种自解释的 MIL 方法（SI-MIL），它通过深度 MIL 框架引导一个基于手工制作的病理特征的可解释分支，从而实现线性预测，并在三种癌症类型的 WSI 级别预测任务上展示了与先进方法相媲美的结果。

Dec, 2023

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

用于检测顺序现实数据集中异常的多实例学习

本文研究了如何通过多实例学习 (MIL) 方法在不完全了解异常标签的情况下，检测来自不同物理过程及不同模式的实际数据集中的异常，经过实验评估，该方法在挑战性数据集上的表现优于单实例学习，并具有一定的扩展性。

Oct, 2022

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