DANLIP：用于局部可解释概率预测的深层自回归网络
机器学习
2023-01-09 v1 人工智能
机器学习
摘要
尽管基于神经网络的时间序列预测方法性能优异，但解释其预测结果的内在挑战限制了它们在某些应用领域的适用性。由于难以识别此类黑盒方法的输入与输出之间的因果关系，它们很少被应用于法律和医疗等结果与可靠性及可解释性至关重要的领域。在本文中，我们提出 DANLIP（\model），一种新颖的基于深度学习的内在可解释概率时间序列预测架构。我们使用多个数据集和性能指标进行实验，并从经验上表明我们的模型不仅可解释，而且提供了与最先进的概率时间序列预测方法相当的性能。此外，我们展示了解释所关注随机过程的参数可以为若干应用领域提供有用的见解。
引用
@article{arxiv.2301.02332,
title = {DANLIP: Deep Autoregressive Networks for Locally Interpretable Probabilistic Forecasting},
author = {Ozan Ozyegen and Juyoung Wang and Mucahit Cevik},
journal= {arXiv preprint arXiv:2301.02332},
year = {2023}
}