Sep, 2024

TSFeatLIME：增强单变量时间序列预测可解释性的在线用户研究

HTML
PDF
TL;DR本研究解决了时间序列预测中模型复杂性导致的可解释性问题，通过提出TSFeatLIME框架来增强理解。该框架通过将辅助特征集成到代理模型中，并考虑时间序列与生成样本之间的欧几里得距离，提高了代理模型的准确性，并表明对此类解释在非计算机科学背景的参与者中效果显著。
发现论文，激发创造
  • 基于实例的时间序列分类对抗解释

    本文提出了一种模型无关的案例技术——Native Guide，用于生成时间序列分类器的反事实解释，该技术通过突出和修改分类的基础部分来调整已有的反事实情况，并通过两个比较实验的定量和定性结果验证了其优越性。

    Sep, 2020

  • TS-MULE: 时间序列预测模型的本地可解释的模型无关解释

    本篇论文介绍了一种名为TS-MULE的局部代理模型解释方法，它是针对时间序列的，利用扩展的LIME方法，为具有黑匣子模型的时间序列提供了解释。在扩展版本中，这篇论文展示了通过使用不同的时间序列分段方法来提高代理归因的质量的六种采样分割方法，并在三种深度学习模型体系结构和三种常见的多变量时间序列数据集上展示了其性能。

    Sep, 2021

  • 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

  • TimeTuner：时间序列预测中的时间表示的诊断及对立证明

    该论文提出了一种名为TimeTuner的新型可视化分析框架，用于帮助分析人员理解模型行为与时间序列表示的局部相关性、稳定性和粒度之间的关联，并通过反事实解释、多种协调视图和交互方式来改进自动特征学习的限制，展示了其在实际时间序列预测中的适用性。

    Jul, 2023

  • 预测、优化、合成：自引导扩散模型用于概率时间序列预测

    探索了无特定任务条件下以时间序列为基础的扩散模型，通过自我引导机制，在推理过程中对TSDiff进行条件处理，并且不需要辅助网络或改变训练程序。展示了方法在预测、细化和合成数据生成三个时间序列任务中的有效性。

    Jul, 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

  • tsMorph：生成半合成时间序列以理解算法性能

    tsMorph方法通过数据集变形生成半合成时间序列，用以评估Long Short-Term Memory Network在频率不同的时间序列上的性能。研究结果表明，tsMorph是一种有效理解预测算法行为的工具，并能克服实证研究所面临的限制，从而实现更广泛和可靠的实验。

    Dec, 2023

  • 语言模型对于时间序列零样本推理仍然存在困难

    时间序列推理是语言模型研究中一个有影响力但尚未充分发展的方向，本研究提出了一个新颖的时间序列推理评估框架，研究了三种推理形式的表现，并发现语言模型在时间序列推理方面仍存在局限性。

    Apr, 2024

  • Time-MMD：一个用于时间序列分析的新型多领域多模态数据集

    引入Time-MMD，一个涵盖9个主要数据领域、首个多领域、多模态时间序列数据集，通过扩展单模态TSF到多模态，显著提高了性能。

    Jun, 2024

  • DLFormer：通过分布滞后嵌入增强多变量时间序列预测的可解释性

    本研究解决了在多变量时间序列预测中高预测精度与可解释性之间的平衡问题。提出的DLFormer是一种结合分布滞后嵌入的基于注意力的架构，通过时间嵌入各个变量及其影响，展示了相较于现有模型的显著性能提升，并提高了可解释性的可靠性。

    Aug, 2024