CGS-Mask：让所有人直观理解时间序列预测

人工智能（AI）在时间序列预测方面具有巨大潜力，但大多数可解释工具在提供对重要特征随时间变化的系统性理解方面能力有限。这些工具通常依赖于评估单个时间点，忽略了输入的时间顺序，并忽视了时间序列应用对时间敏感的特性。这些因素使得用户，尤其是缺乏领域知识的用户，难以理解 AI 模型的决策并获得有意义的解释。我们提出了 CGS-Mask，一种事后且模型无关的基于细胞遗传条带掩码的显著性方法，以应对这些挑战。CGS-Mask 将连续的时间步作为一个整体来评估特征对最终预测的影响，提供随时间变化的二值化且持续的特征重要性得分。我们的算法迭代地优化掩码种群，以在合理的时间内获得最优掩码。我们在合成数据集和真实世界数据集上评估了 CGS-Mask，它在阐明特征随时间的重要性方面优于 SOTA 方法。根据我们通过问卷调查进行的试点用户研究，CGS-Mask 是展示易于理解的时间序列预测结果的最有效方法，使用户能够轻松理解 AI 模型的决策过程。