CRITS: 用于可解释时间序列分类的卷积整流器
机器学习
2025-06-17 v1 人工智能
机器学习
摘要
针对基于卷积网络的分类器存在多种可解释性方法。大多数方法侧重于为给定样本提取显著性图，提供突出分类主要区域的局部解释。然而，其中一些方法由于上采样问题或可能需要随机扰动来提取解释，缺乏对输入空间的详细解释。我们提出了卷积整流器用于可解释时间序列分类（CRITS），一种用于时间序列分类的可解释模型，旨在内在地提取局部解释。该方法使用一层卷积核、一个最大池化层和一个全连接整流器网络（仅含整流线性单元激活的网络）。整流线性单元激活允许提取给定样本的特征权重，无需计算梯度、使用随机扰动或将显著性图上采样到初始输入空间。我们在一组数据集上评估了CRITS，研究了其分类性能以及解释对齐性、敏感性和可理解性。
引用
@article{arxiv.2506.12042,
title = {CRITS: Convolutional Rectifier for Interpretable Time Series Classification},
author = {Alejandro Kuratomi and Zed Lee and Guilherme Dinis Chaliane Junior and Tony Lindgren and Diego García Pérez},
journal= {arXiv preprint arXiv:2506.12042},
year = {2025}
}
备注
This paper was presented at the 2024 European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML-PKDD), as part of the XKDD workshop on interpretability. However it was not published in the LNCSI proceedings of the conference