Jun, 2024

提高多变量时间序列分类的解释方法评估和可操作性

PDF
TL;DR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。
multivariate time series classificationexplanationevaluation methodologiesattribution methodschannel selection
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 时间序列深度模型解释：一份综述

    本篇论文介绍了基于反向传播、扰动和近似等后处理方法的时间序列模型后解释的广泛范围。我们提出了内在可解释模型的新颖类别，并介绍了用于说明的常见评估指标及时间序列可解释性问题未来研究的方向。

    May, 2023

  • AMEE：时间序列分类中的解释评估鲁棒框架

    本文提出一种名为 AMEE 的模型无关解释评估框架，可以量化和比较用于时序分类的多个显著性解释方法，并通过扰动输入时间序列来测量其对分类准确度的影响以进行解释评估。

    Jun, 2023

  • 通过多实例学习实现固有可解释的时间序列分类

    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。

    Nov, 2023

  • 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

  • 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