评估多变量时间序列分类的解释方法
摘要：多变量时间序列分类是一个重要的计算任务，在数据随时间和多个通道记录的应用中会出现。例如，智能手表可以记录人体运动的加速度和方向，这些信号被记录为多变量时间序列。我们可以对这些数据进行分类，以了解和预测人体运动和各种属性，如健康状况。在许多应用中，仅进行分类是不够的，我们经常需要进行分类，并理解模型学习的内容（例如，为什么给出了某个预测，基于数据中的哪些信息）。本文的主要重点是分析和评估适用于多变量时间序列分类（MTSC）的解释方法。我们专注于基于显著性的解释方法，可以指出最相关的通道和时间序列点用于分类决策。我们分析了两种流行且准确的多变量时间序列分类器，ROCKET和dResNet，以及两种流行的解释方法，SHAP和dCAM。我们在3个合成数据集和2个真实数据集上研究了这些方法，并对所提供的解释进行定量和定性分析。我们发现，通过将通道连接起来来压平多变量数据集与直接使用多变量分类器一样有效，而适应于MTSC的SHAP的改进也很好。此外，我们还发现我们使用的流行合成数据集不适合进行时间序列分析。
作者：Davide Italo Serramazza, Thu Trang Nguyen, Thach Le Nguyen, Georgiana Ifrim
论文ID：2308.15223
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-30