ICMLMay, 2024

TimeX++：使用信息瓶颈学习时间序列解释

PDF
TL;DR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。
deep learning modelstime series dataexplainabilityinformation theoretic perspectiveexplanation framework
发现论文，激发创造
  • 时间筛：通过信息瓶颈提取时间动态

    我们提出了一种创新的时间序列预测模型 TimeSieve，通过使用小波变换预处理时间序列数据并引入信息瓶颈理论过滤冗余特征，提高了预测准确性和泛化能力，解决了时间序列预测中的关键问题。

    Jun, 2024

  • 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

  • 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

  • 通过时滞信息瓶颈对马尔可夫过程进行潜在表达和模拟

    在这篇论文中，我们介绍了一种将复杂系统映射到简化表示空间，并模拟时间大跳变化的推理过程。我们提出了基于信息理论的时间滞后信息瓶颈（T-IB）目标，旨在捕捉相关的时间特征，简化仿真任务并最小化推理错误。实验结果表明，T-IB 学习了信息最优的表示，能够准确地建模原始过程在选择的时间滞后下的统计属性和动力学，胜过现有的时间滞后降维方法。

    Sep, 2023

  • 基于图信息瓶颈的自解释时变图网络

    基于图信息瓶颈的自解释时态图网络（TGIB）是一种新的内置解释框架，能够同时对事件发生和解释进行预测，通过引入信息瓶颈理论中的随机性来对事件发生提供解释。实验结果表明，与现有方法相比，TGIB 在链接预测性能和可解释性方面具有优势。

    Jun, 2024

  • 信息瓶颈问题及其在机器学习中的应用

    该论文介绍了信息瓶颈理论作为一种信息理论范例来分析机器学习中使用深度学习等算法进行降维操作的有效性，并总结了其在深度学习理论中的重要性和实际算法的启示。

    Apr, 2020

  • 信息瓶颈下的解释再生

    研究开发了一种名为信息瓶颈方法的技术，该技术可以生成自然而准确的自由文本解释来解释自然语言生成模型的输出，并且在两个领域任务的自动评估和人类评估中得到了验证。

    Dec, 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

  • 非线性信息瓶颈

    该研究提出了一种方法，通过神经网络来实现将任意分布的离散和 / 或连续变量进行信息瓶颈编码和解码，并允许使用非线性映射，该方法通过一种新颖非参数上界来实现最大信息提取，相较于其他方法在多个真实数据集上表现更好。

    May, 2017

  • 确定性场景中信息瓶颈的注意事项

    本文研究信息瓶颈（IB）在有监督学习中的应用，提出了一个新的函数来解决 IB 曲线无法被最大化 IB Lagrangian 找到的问题。文章展示了本文提出的三个严重的警告，并在 MNIST 数据集上进行了演示。

    Aug, 2018