面向负责任的游戏行为的非平滑多变量时间序列的可解释与可解释预测
机器学习
2025-04-08 v1 人工智能
摘要
多变量时间序列(MTS)预测通过神经网络(例如Transformer)的最新进展取得了巨大进步(误差非常小)。然而，在预测影响心理健康的游戏过度沉迷等关键情况下，没有贡献证据(解释)的准确预测是不相关的。因此，预测必须是可解释的——预测轨迹的中间表示是可理解的；以及可解释的——可访问注意力输入特征和事件，以便对有风险的玩家进行个性化和及时的干预。虽然关于可解释性的最先进研究主要集中在时间平滑的单过程驱动时间序列数据上，但我们的在线多人游戏数据由于玩家游戏结果与其进一步参与意图之间的内在正交性，表现出难以处理的时序随机性。我们引入了一种新颖的深度可操作预测网络(AFN)，它在一个单一解决方案中解决了与三个独立目标相关的相互依赖的挑战——1)预测准确性；2)平滑可理解的轨迹；3)通过多维输入特征进行解释，同时应对非平滑时序数据带来的挑战。AFN建立了\textit{新基准}：(i)与基于SOM-VAE的最先进网络相比，玩家数据预测的MSE提高了25%；(ii)将玩家时间序列的不利进展归因于特定的未来时间步，前提是通过玩家特定的可操作输入特征将近期过度沉迷的玩家数量减少超过18%；(iii)主动检测超过23%(比最先进技术提高100%)的即将过度沉迷的玩家，平均提前4周。
引用
@article{arxiv.2504.03777,
title = {Explainable and Interpretable Forecasts on Non-Smooth Multivariate Time Series for Responsible Gameplay},
author = {Hussain Jagirdar and Rukma Talwadker and Aditya Pareek and Pulkit Agrawal and Tridib Mukherjee},
journal= {arXiv preprint arXiv:2504.03777},
year = {2025}
}