大规模多维时间序列数据的Shapley值新型应用：将可解释人工智能应用于DNA轮廓分类神经网络

将Shapley值应用于高维、类似时间序列的数据具有计算挑战——有时甚至不可行。对于N个输入，问题的计算复杂度为$2^N$。在图像处理中，称为超像素的像素簇用于简化计算。本研究提出了一种高效解决方案，用于类似时间序列的数据，使其适用于Shapley值计算。该方法灵感来自DNA分类示例，适用于由卷积神经网络(CNN)分类的多变量时间序列数据。在DNA处理中，重要的是从DNA提取和处理过程中产生的背景噪声中识别等位基因。单个DNA轮廓有$31,200$个扫描点需要分类，分类决策必须在法庭上具有可辩护性。这意味着分类通常由人类读者执行——这是一个巨大的、耗时的过程。CNN结合快速计算有意义Shapley值的应用为该大型任务提供了一种可能的替代方案。该研究演示了对该巨大任务进行真实、准确且快速计算Shapley值的能力。