GALACTIC：用于时间序列聚类的全局和局部不可知反事实解释
机器学习
2026-03-10 v2 人工智能
摘要
时间序列聚类是模式发现的基本工具，但现有的可解释性方法（主要基于特征归因或元数据）无法识别跨越聚类边界的转换。虽然反事实解释（CE）识别改变模型预测所需的最小时间扰动，但主要局限于监督设置。本文引入 GALACTIC，第一个统一框架，弥补局部和全局反事实可解释性之间的鸿沟，用于无监督时间序列聚类。在实例层面（局部），GALACTIC 通过尊重目标和底层聚类分配的聚类感知优化目标生成扰动。在聚类层面（全局），为缓解认知负荷并增强可解释性，我们提出了代表性 CE 选择问题。我们提出最小描述长度（MDL）目标，从而提取全局解释的非冗余概述，刻画聚类之间的转换。我们证明了 MDL 目标是超调和的，这使得相应的 MDL 缩减可表述为单调亚调和集函数。这使得基于贪心选择算法可高效实现，并具有可证明的 近似保证。广泛的实验评估表明，GALACTIC 在 UCR 数据集上显著产生更稀疏的局部 CE 和更简洁的全局概述，超越了为本问题量身定制的最先进基准，提供了通过反事实解释来解释聚类时间序列的首个统一方法。
引用
@article{arxiv.2603.05318,
title = {GALACTIC: Global and Local Agnostic Counterfactuals for Time-series Clustering},
author = {Christos Fragkathoulas and Eleni Psaroudaki and Themis Palpanas and Evaggelia Pitoura},
journal= {arXiv preprint arXiv:2603.05318},
year = {2026}
}