基于通道注意力和特征正交化的数据驱动时间序列分类特征解释框架 CAFO

在多变量时间序列 (MTS) 分类中，寻找模型性能关键特征（如传感器）至为重要却又充满挑战，因 MTS 数据呈现复杂高维特性，时序动态复杂，且需满足领域特定解释需求。当前 MTS 解释方法多聚焦于时序导向解释，善于定位重要时段，但在识别关键特征方面效果有限。这一局限凸显了亟需特征导向方法的需求，而这也是常被忽视的视角，能补充时序导向分析。为填补这一鸿沟，我们研究引入一种新颖的特征导向解释与评估框架，名为 CAFO（Channel Attention and Feature Orthogonalization）。CAFO 采用基于卷积的通道注意力方法，融入深度可分离通道注意力模块 (DepCA) 和基于 QR 分解的损失函数，以促进特征级正交性。我们证明，这种正交化有助于增强注意力分布的可分性，从而细化和稳定特征重要性排序。该排序改进提升了我们对 MTS 特征解释的理解。此外，我们构建指标以评估全局和类别特定的特征重要性。通过在两个主要公开基准和真实数据集上的广泛实证分析验证了该框架的有效性，后者包括合成数据和自采集数据，旨在突出类别级判别特征。结果确认 CAFO 在评估 MTS 分类任务中特征重要性方面的鲁棒性和信息量。该研究不仅推进了 MTS 特征导向解释的理解，还为未来在特征导向解释方面的探索奠定了基础。