通过对比和局部稀疏扰动解释时间序列
机器学习
2024-01-30 v2 人工智能
摘要
解释多变量时间序列是一个复合挑战，因为它需要识别时间序列中的重要位置并匹配复杂的时间模式。尽管先前的基于显著性的方法解决了这些挑战，但其扰动可能无法缓解分布偏移问题，这在异质样本中尤其不可避免。我们提出了ContraLSP，一种局部稀疏模型，它引入反事实样本来构建无信息扰动，同时通过对比学习保持分布。此外，我们结合样本特定的稀疏门来生成更偏向二值且平滑的掩码，从而轻松整合时间趋势并简约地选择显著特征。在合成和真实世界数据集上的实证研究表明，ContraLSP优于最先进的模型，在时间序列数据的解释质量上表现出显著提升。源代码可在\url{https://github.com/zichuan-liu/ContraLSP}获取。
引用
@article{arxiv.2401.08552,
title = {Explaining Time Series via Contrastive and Locally Sparse Perturbations},
author = {Zichuan Liu and Yingying Zhang and Tianchun Wang and Zefan Wang and Dongsheng Luo and Mengnan Du and Min Wu and Yi Wang and Chunlin Chen and Lunting Fan and Qingsong Wen},
journal= {arXiv preprint arXiv:2401.08552},
year = {2024}
}
备注
Accepted by International Conference on Learning Representations (ICLR 2024)