勿误解：如何将深度视觉解释应用于时间序列

对卷积模型的正确解释是时间序列数据的一个难题。虽然显著性方法有望为图像与语言处理提供预测的视觉验证，但应用于时间序列时却存在不足。时间序列往往不够直观且代表高度多样的数据，例如工具使用时间序列数据集。此外，显著性方法常产生各异且相互冲突的解释，使这些方法的可信度复杂化。因此，有必要进行严格的客观评估以建立对其的信任。本文研究时间序列数据上的显著性方法，以形成解释卷积模型的建议，并将其应用于工具使用时间序列问题。为此，我们首先在六个多样且复杂的真实世界数据集上采用九种基于梯度、传播或扰动的事后显著性方法。接着，我们使用五个独立指标评估这些方法以生成建议。随后，我们针对工具使用时间序列使用卷积分类模型实施案例研究。我们的结果验证了我们的建议，即没有任何显著性方法能在所有指标上持续优于其他方法，而某些方法有时领先。我们的见解与逐步指南使专家能为给定模型和数据集选择合适的显著性方法。