面向时间序列分类的基于实例的反事实解释
机器学习
2021-06-25 v2 机器学习
摘要
近年来，针对处理图像和表格数据的黑盒 AI 系统预测的解释研究迅速扩展。然而，对处理时间序列数据的不透明 AI 系统预测的解释关注明显较少。本文提出一种新颖的模型无关、基于案例的技术——Native Guide——为时间序列分类器生成反事实解释。给定查询时间序列 ，黑盒分类系统预测其类别为 ，反事实时间序列解释展示 如何改变以使系统预测替代类别 。所提出的基于实例的技术通过突出和修改支撑分类的时间序列判别区域，来调整案例库中的现有反事实实例。两项对比实验的定量与定性结果表明，Native Guide 生成的解释合理、邻近、稀疏且多样，优于关键基准反事实方法。
引用
@article{arxiv.2009.13211,
title = {Instance-based Counterfactual Explanations for Time Series Classification},
author = {Eoin Delaney and Derek Greene and Mark T. Keane},
journal= {arXiv preprint arXiv:2009.13211},
year = {2021}
}