Dec, 2023

CGS-Mask: 使时间序列预测变得直观的方法

PDF
TL;DRCGS-Mask 是一个后期处理的、与模型无关的基于细胞遗传剥离蒙版的重要性评估方法，通过将连续的时间步骤作为一个整体来评估特征对最终预测结果的影响，提供时间上的二进制和持续的特征重要性评分。CGS-Mask 在合成数据集和实际数据集上进行了评估，表明其在阐明特征重要性方面优于最先进的方法。根据我们通过问卷调查的初步用户研究，CGS-Mask 是呈现易于理解的时间序列预测结果最有效的方法，使用户能够轻松理解人工智能模型的决策过程。
artificial intelligencetime series predictionexplainable toolscgs-maskfeature importance scores
发现论文，激发创造
  • 利用动态遮罩解释时序预测

    该论文提出了一种名为 Dynamic masks 的方法，结合动态扰动算子来产生一个基于实例的重要性得分，从而解决了机器学习模型预测解释的问题，该方法在医学和财务等领域广泛适用。

    Jun, 2021

  • 使用频率屏蔽解释时间序列模型

    该论文介绍了一种基于遮罩方法的频率和时频域解释方法 FreqRISE，它能够在多个任务中展现最佳性能，并主张时间序列的显著信息更可能局部化于频率域。

    Jun, 2024

  • 在时间序列预测中进行深度学习可解释性基准测试

    本篇论文研究了基于 saliency 的可解释性方法在时间序列数据上的应用，提出并比较了多种 saliency 方法在不同神经网络结构上的性能，并提出多种指标进行评估，发现常规的网络结构和 saliency 方法难以可靠和精确地识别时间序列数据中特征的重要性，这主要是由于时间和特征领域的混淆所导致的，但使用文中提出的两步形式的时间 saliency rescaling 方法可以显著提高 saliency 图的质量。

    Oct, 2020

  • 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

  • SMOOT：基于显著性引导的掩模优化在线训练

    通过提出一种基于输入、准确性和模型损失的遮蔽图像数目的最佳确定方法，本文旨在解决遮蔽策略的问题，以提高模型的准确性和突出性，从而证明所提出的解决方案的有效性。

    Oct, 2023

  • 一种内存高效 Transformer 的分组自注意机制

    提出了两个新的模块，Grouped Self-Attention 和 Compressed Cross-Attention，可在小超参数限制下实现序列长度为 $l$ 的 $O (l)$ 的计算空间和时间复杂度，并且可以捕捉局部的同时考虑全局信息，实验表明，预测时间序列数据时，我们提出的模型展示了降低计算复杂度的高效性，且性能可与现有方法相当甚至更好。

    Oct, 2022

  • 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

  • MTSMAE: 基于掩码的自编码器用于多元时间序列预测

    该论文提出了一种新的基于 Masked Autoencoders (MAE) 的自监督预训练方法称为 MTSMAE，利用补丁嵌入的方法处理多元时间序列，实验证明，该方法的性能显著优于目前最好的方法。

    Oct, 2022

  • 医疗时间序列的知识增强条件插补

    这项研究提出了一种新颖的方法来解决多元时间序列中缺失数据的挑战，特别关注医疗数据的复杂性。我们的条件自注意力填补模型（CSAI），基于变换器框架，引入了针对医学时间序列数据的条件隐藏状态初始化。此方法与传统填补技术不同之处在于专门针对医疗数据集中经常被忽视的缺失数据分布的不平衡进行调整。通过整合先进的知识嵌入和非均匀掩蔽策略，CSAI 能够灵活调整至电子病历中缺失数据的独特模式。

    Dec, 2023

  • 用于模型可解释性的基于遮罩的显著性方法研究与简化

    本研究采用掩蔽技术生成显著性地图，发现训练分类器的同时，采用掩蔽技术生成显著性地图具有很高的性能，并且 10 个样本每类也可以显著提高显著性地图的精度。

    Oct, 2020