寻找时间序列的深度幻影：对单变量时间序列的激活最大化

理解模型如何处理和解释时间序列数据 remains a significant challenge in deep learning,以实现在医疗等安全关键领域的应用。在本文中，我们引入序列幻影（Sequence Dreaming），一种将激活最大化技术应用于序列信息分析的技术，旨在增强作用于单变量时间序列的神经网络的可解释性。通过运用此方法，我们可可视化最具影响力的时序动态与模式，以增强神经网络决策过程的透明度。为抵消生成不真实或过度噪声序列的效果，我们通过包括指数平滑在内的多种正则化技术增强序列幻影，以确保所产序列更准确地反映神经网络所识别的关键特征。我们的方法在涵盖预测性维护应用的时间序列分类数据集上进行测试。结果表明，我们提出的序列幻影方法能够针对不同用例实现精准的激活最大化，从而生成以中心类或边缘激活为目标的序列。结果凸显了序列幻影在揭示神经网络所学习的显著时序特征方面的多样性，从而推动了在决策关键领域的模型透明度与可信度。