强大的时间序列分类解释评估框架
摘要：时间序列分类是一项处理普遍数据类型的任务，在诸如人类活动识别、体育分析和一般医疗保健领域中经常出现。本文提供了一个框架，用于定量评估和排名时间序列分类的解释方法。对于时间序列解释方法的近期兴趣提供了多种解释技术。然而，当解释在特定问题上存在分歧时，仍然不清楚该使用哪一个。比较多个解释以找到正确答案是非常困难的。两个关键挑战仍然存在：如何定量和稳健地评估给定解释方法的信息，即相关性对于分类任务的重要性，并如何比较解释方法。我们提出了AMEE，一个强大的模型无关解释评估框架，用于量化和比较基于重要性的多个时间序列分类解释。通过显著性地指导输入时间序列的数据扰动。测量扰动对分类准确性的影响，并用于解释评估。结果表明，扰动时间序列的有区分力的部分会导致分类准确性的显著变化。为了对不同类型的扰动和分类器具有鲁棒性，我们对扰动和分类器的准确性损失进行聚合。这使我们能够客观地量化和排名不同的解释方法。我们对合成数据集、各种时间序列数据集以及具有已知专家标准答案的真实数据集进行了定量和定性分析。
作者：Thu Trang Nguyen, Thach Le Nguyen, and Georgiana Ifrim
论文ID：2306.05501
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-21