FREQuency ATTribution: 基于频率遮挡的时间序列数据基准测试

深度神经网络是不同领域中性能和可扩展性最成功的算法之一。然而，由于这些网络是黑箱，其可用性因缺乏可解释性而受到严重限制。现有的可解释性方法未能足够具体地针对基于时间序列的网络分析。本文表明，频域分析不仅能比现有方法更好地突出输入信号中的相关区域，而且对信号波动更具鲁棒性。本文提出了FreqAtt——一个能够实现时间序列分析事后解释的框架。为实现这一目标，我们评估相关频率，并对信号进行滤波或标记相关输入数据。FreqAtt 使用广泛的统计指标进行评估，以提供其性能的全面概述。结果表明，使用基于频率的归因，特别是与频率优化信号之上的传统归因相结合，能在不同指标上提供强劲的性能。