基于后置归因规则提取与融合的时间序列分类器解释方法——PHAR
机器学习
2026-01-19 v4 人工智能
摘要
解释面向时间序列（TS）分类的机器学习（ML）模型仍然具有挑战性，这主要源于难以解释原始时间序列以及输入空间的高维度。我们引入了PHAR——后置归因规则（Post-hoc Attribution Rules）——一个统一框架，将来自后置、实例级解释器（如LIME、SHAP）的数值特征归因转换为结构化、人类可读的规则。这些规则定义了人类可读的区间，指示决策相关片段出现的位置和时间，可通过局部化阈值条件于原始序列上提高模型透明度。PHAR在性能上与本土规则方法（如Anchor）相当，但对长TS序列的扩展性更好，覆盖范围更广。专门的规则融合步骤通过加权选择和Lasso-based精炼等策略整合规则集，在覆盖率、置信度和简单性等关键质量指标之间进行权衡。这种融合确保每个实例接收到简洁且无歧义的规则，从而提高解释的忠实度和一致性。我们进一步引入可视化技术来说明所得规则中特定性与泛化性之间的权衡。PHAR将常见的Rashomon现象导致的冲突和重叠解释消化为连贯、适应域的洞察。针对UCR/UEA时间序列分类档案库进行的全面实验表明，PHAR通过提供与模型预测一致的简洁、人类可读规则，可能提高TS分类任务的可解释性、决策透明度和实际适用性。
引用
@article{arxiv.2508.01687,
title = {Explaining Time Series Classifiers with PHAR: Rule Extraction and Fusion from Post-hoc Attributions},
author = {Maciej Mozolewski and Szymon Bobek and Grzegorz J. Nalepa},
journal= {arXiv preprint arXiv:2508.01687},
year = {2026}
}