通道至关重要：估计多变量时间序列的通道影响

影响函数作为一种高效的事后可解释性工具，能够量化训练数据修改对模型参数的影响，从而在无需昂贵重训练过程的情况下，提升模型性能、改善泛化能力并提供可解释性洞见。近年来，多变量时间序列（MTS）分析已成为一项重要但具有挑战性的任务，引起了广泛关注。虽然通道对MTS任务极为重要，但以通道为中心的方法在MTS领域仍远未得到充分探索。特别是，此前尚无工作研究MTS通道信息的影响，以探索这些通道与模型性能之间的反事实效应。为填补这一空白，我们提出了一种新颖的通道级影响（ChInf）方法，首次估计了MTS中不同通道的影响。基于ChInf，我们通过将其融入经典MTS任务，自然地推导出两种通道级算法。大量实验证明了ChInf及基于ChInf的方法在关键MTS分析任务（如MTS异常检测和MTS数据剪枝）中的有效性。具体而言，我们基于ChInf的方法在所有对比方法中排名第一，而以往的影响函数在MTS异常检测任务和MTS数据剪枝问题上表现不佳。这充分证明了ChInf的优越性和必要性。