基于时序逻辑描述的可解释时间序列分类神经符号模型
机器学习
2022-09-20 v1 人工智能
摘要
现有多数时间序列分类（TSC）模型缺乏可解释性且难以检视。可解释机器学习模型有助于发现数据中的模式，并为领域专家提供易于理解的洞见。本研究提出神经符号时间序列分类（NSTSC），一种利用信号时序逻辑（STL）与神经网络（NN）借助多视图数据表示完成 TSC 任务、并将模型表达为类人可读可解释公式的神经符号模型。在 NSTSC 中，每个神经元关联一个符号表达式，即一个 STL（子）公式。因此 NSTSC 的输出可解释为类似自然语言的 STL 公式，描述数据中隐藏的时序与逻辑关系。我们提出一种基于 NSTSC 的分类器，采用决策树方法学习公式结构并完成多类 TSC 任务。所提出的 wSTL 平滑激活函数使模型能以端到端方式学习。我们在来自小鼠的真实伤口愈合计数据集与 UCR 时间序列库中的基准数据集上测试 NSTSC，表明其取得与最先进（SOTA）模型相当的性能。此外，NSTSC 能生成与领域知识相符的可解释公式。
引用
@article{arxiv.2209.09114,
title = {Neuro-symbolic Models for Interpretable Time Series Classification using Temporal Logic Description},
author = {Ruixuan Yan and Tengfei Ma and Achille Fokoue and Maria Chang and Agung Julius},
journal= {arXiv preprint arXiv:2209.09114},
year = {2022}
}