通过提取信息结构因果模式实现的长时间序列自解释模型
机器学习
2025-12-02 v1 人工智能
摘要
可解释性对于建模长时间序列的神经网络至关重要，但大多数现有可解释AI方法仅产生点wise重要性评分，无法捕捉趋势、周期和制度变化等时序结构。此限制削弱了对长期模型的人类可解释性和信任。为此，我们确定了可解释时间序列建模的四个关键要求：时序连续性、模式导向解释、因果解耦以及对模型推理过程的忠实性。我们提出了EXCAP框架，满足这四个要求。EXCAP结合基于注意力的分段器以提取连贯时序模式、由预训练因果图引导的因果结构解码器，以及强制表示稳定性的潜在聚合机制。我们的理论分析表明，EXCAP在时间上提供平滑且稳定的解释，对因果掩码的扰动具有鲁棒性。广泛的分类和预测基准实验表明，EXCAP在保持强预测准确性的同时，生成连贯且以因果为基础的解释。这些结果表明，EXCAP提供了一种原则且可扩展的长时间序列可解释建模方法，与医疗和金融等高风险领域密切相关。
引用
@article{arxiv.2512.01412,
title = {A Self-explainable Model of Long Time Series by Extracting Informative Structured Causal Patterns},
author = {Ziqian Wang and Yuxiao Cheng and Jinli Suo},
journal= {arXiv preprint arXiv:2512.01412},
year = {2025}
}
备注
Approximately 30 pages, 8 figures, and 5 tables. Preprint version. Includes theoretical analysis, model architecture, interpretability evaluation, and extensive benchmark experiments