基于不可逆与可逆时间变换的可解释时间序列微调
机器学习
2018-09-17 v1 机器学习
摘要
过去十年中，时间序列分类受到极大关注，大量方法通过利用各类时间特征来提升预测性能。然而，可解释性与可说明性很少被重视。本文提出新颖的可解释时间序列微调问题：给定一条时间序列以及一个对该序列给出特定分类决策的黑盒分类器，我们希望对给定时间序列执行最少次数的改动，使分类器将其决策改为另一类。我们证明该问题是 NP 难的，并关注该问题的两种实例化，称之为可逆与不可逆时间序列微调。所研究的分类器为随机 shapelet 森林分类器。此外，我们针对这两个问题提出了两种算法解及简单优化，以及使用最近邻分类器的基线解。在多个真实数据集上的广泛实验评估证明了我们问题表述与解的有用性与有效性。
引用
@article{arxiv.1809.05183,
title = {Explainable time series tweaking via irreversible and reversible temporal transformations},
author = {Isak Karlsson and Jonathan Rebane and Panagiotis Papapetrou and Aristides Gionis},
journal= {arXiv preprint arXiv:1809.05183},
year = {2018}
}
备注
To appear in International Conference on Data Mining, 2018