时间序列数据的特征重要性：改进 KernelSHAP
机器学习
2022-10-06 v1
摘要
特征重要性技术在可解释 AI 文献中广受关注，作为确定训练后的机器学习模型如何做出预测的一种手段。我们考虑基于 Shapley 值的特征重要性方法，应用于时间序列数据的语境中。我们给出了若干时间序列模型（包括 VARMAX）的 SHAP 值的闭式解。我们还展示了如何将 KernelSHAP 应用于时间序列任务，以及来自该技术的特征重要性如何组合以执行“事件检测”。最后，我们探索了使用时间一致 Shapley 值进行特征重要性分析。
引用
@article{arxiv.2210.02176,
title = {Feature Importance for Time Series Data: Improving KernelSHAP},
author = {Mattia Villani and Joshua Lockhart and Daniele Magazzeni},
journal= {arXiv preprint arXiv:2210.02176},
year = {2022}
}
备注
Will appear at ICAIF Workshop on Explainable Artificial Intelligence in Finance, November 2, 2022