时间序列异常检测的多样化反事实解释

在实践中，检测时间序列数据中异常的数据驱动方法无处不在，但它们通常无法对所作预测提供有用的解释。本工作中，我们提出一种模型无关的算法，为时间序列异常检测模型生成反事实集成解释。我们的方法生成一组多样化的反事实示例，即原始时间序列的多个扰动版本，这些版本不被检测模型视为异常。由于扰动幅度受限，这些反事实代表了与原始时间序列相似、且模型会判定为正常的输入集成。我们的算法适用于任何可微分的异常检测模型。我们在单变量与多变量真实世界数据集以及两个基于深度学习的异常检测模型上，依据其他数据域中先前提出的若干可解释性准则（如有效性、合理性、接近性与多样性）考察了方法的价值。我们展示了算法能生成满足这些准则的反事实示例集成，并借助一种新型可视化，比现有方法能传达更丰富的模型内部机制解释。此外，我们设计了方法的一种稀疏变体，以改进高维时间序列异常反事实解释的可解释性。在此设定下，我们的解释仅局部化于少数维度，因而能更高效地向模型用户传达。