L2GTX：从局部到全局的时间序列解释

深度学习模型在时间序列分类中取得高准确率，但仍然难以理解其类别级的决策行为。时间序列的解释必须尊重时序依赖关系，并识别在不同实例中反复出现的模式。现有方法面临三个局限：面向图像和表格数据的模型无关XAI方法难以直接扩展到时间序列；针对时间序列的全局解释合成仍未得到充分探索；而且大多数现有全局方法是模型特定的。我们提出L2GTX，一个模型无关的框架，通过聚合来自代表性实例集的局部解释，生成类别级的全局解释。L2GTX从由LOMATCE生成的实例级解释中提取参数化时序事件原语（如递增或递减趋势和局部极值）及其重要性得分的聚类。这些聚类在不同实例之间被合并以减少冗余，并使用实例-聚类重要性矩阵来估计全局相关性。在用户定义的实例选择预算下，L2GTX选择代表性实例以最大化对有影响聚类的覆盖。随后，来自所选实例的事件被聚合成简洁且可解释的类别级全局解释。在六个基准时间序列数据集上的实验表明，L2GTX在保持稳定全局忠诚度（即平均局部代理忠诚度）的同时，能够产生紧凑且可解释的全局解释。