FreqRISE：基于频率掩码解释时间序列
机器学习
2024-12-11 v2
摘要
时间序列数据在医疗、金融和气候等诸多关键领域具有根本性重要性，其中可解释模型是安全自动决策的必要条件。因此，发展这些领域的人工智能可解释性意味着解释时间序列中的显著信息。当前获取显著性图的方法假设输入空间中的局部信息。在本文中，我们认为大量时间序列的显著信息更可能局限于频率域。我们提出FreqRISE，采用掩码方法在频率域和时频域生成解释，在多个任务上超越了强大的基线方法。源代码可在 \url{https://github.com/theabrusch/FreqRISE} 获取。
引用
@article{arxiv.2406.13584,
title = {FreqRISE: Explaining time series using frequency masking},
author = {Thea Brüsch and Kristoffer Knutsen Wickstrøm and Mikkel N. Schmidt and Tommy Sonne Alstrøm and Robert Jenssen},
journal= {arXiv preprint arXiv:2406.13584},
year = {2024}
}
备注
Accepted at the Northern Lights Deep Learning Conference 2025