基于多示例学习的固有可解释时间序列分类
机器学习
2024-03-19 v3 人工智能
摘要
传统的时间序列分类（TSC）方法通常是黑盒，掩盖了其决策过程的固有可解释性。本文利用多示例学习（MIL）克服这一问题，并提出了一个称为 MILLET 的新框架：用于局部可解释时间序列分类的多示例学习（Multiple Instance Learning for Locally Explainable Time series classification）。我们将 MILLET 应用于现有的深度学习 TSC 模型，并展示了它们如何在不损害（在某些情况下甚至提升）预测性能的情况下变得固有可解释。我们在 85 个 UCR TSC 数据集上评估了 MILLET，并提出了一种专门设计用于促进可解释性评估的新型合成数据集。在这些数据集上，我们展示了 MILLET 能快速生成稀疏解释，其质量高于其他知名的可解释性方法。据我们所知，我们在 GitHub（https://github.com/JAEarly/MILTimeSeriesClassification）上开源的 MILLET 工作是首个为 TSC 开发通用 MIL 方法并将其应用于广泛领域的工作。
引用
@article{arxiv.2311.10049,
title = {Inherently Interpretable Time Series Classification via Multiple Instance Learning},
author = {Joseph Early and Gavin KC Cheung and Kurt Cutajar and Hanting Xie and Jas Kandola and Niall Twomey},
journal= {arXiv preprint arXiv:2311.10049},
year = {2024}
}
备注
Published at ICLR 2024. 29 pages (9 main, 3 ref, 17 appendix)