INSHAPE: 基于实例的可解释时间序列分类
机器学习
2026-05-20 v1 人工智能
摘要
发现shapelet——即时间序列中判别性时序模式——已被广泛研究，以解决时间序列分类(TSC)固有的复杂性并使模型决策过程更加透明。然而，现有方法主要关注针对整个数据集优化的 population-level shapelet，导致两个根本性局限性：(i) population-level模式常与实例特定特征不对齐，导致性能次优且可能产生误导性解释；(ii)大多数方法将shapelet视为独立实体，忽略了多个模式之间重要的时序依赖性和相互作用。为解决这些局限性，我们提出INSHAPE，一个可解释的TSC框架，发现特定于每个时间序列的可变长度、判别性时序模式。INSHAPE将这些模式识别为非重叠的片段，并建模其时序依赖性，从而在提供清晰实例级别解释的同时实现卓越的预测性能。此外，INSHAPE通过自下而上的方法，将实例级别的shapelet聚合为原型(population-level)shapelet，实现了局部与全局可解释性的桥接。在128个UCR和30个UEA基准数据集上的广泛实验表明，INSHAPE在时尚的shapelet-based方法中持续实现领先性能，同时提供更直观和可解释的洞察。
引用
@article{arxiv.2605.20088,
title = {INSHAPE: Instance-Level Shapelets for Interpretable Time-Series Classification},
author = {Seongjun Lee and Seokhyun Lee and Changhee Lee},
journal= {arXiv preprint arXiv:2605.20088},
year = {2026}
}
备注
Accepted to IJCAI 2026. 25 pages