PAX-TS：通过局部扰动实现时间序列预测的模型无关多粒度解释
机器学习
2025-11-18 v2 人工智能
摘要
时间序列预测在过去几年中取得了长足进步，Transformer模型和大语言模型推动了最先进技术的发展。现代预测模型通常是不透明的，不为其预测提供解释，而像LIME这样众所周知的事后解释方法并不适用于预测场景。我们提出了PAX-TS，这是一种模型无关的事后算法，用于解释时间序列预测模型及其预测结果。我们的方法基于局部输入扰动，并产生多粒度解释。此外，它能够刻画多元时间序列预测的跨通道相关性。我们清晰地概述了PAX-TS的算法流程，在一个包含7种算法和10个不同数据集的基准上对其进行了演示，将其与另外两种最先进的解释算法进行了比较，并展示了该方法的不同解释类型。我们发现，高性能和低性能算法在相同数据集上的解释存在差异，这凸显了PAX-TS的解释能够有效捕捉模型的行为。基于基准测试产生的时间步相关矩阵，我们识别出在不同数据集和算法中反复出现的6类模式。我们发现这些模式是性能的指标，不同类别之间的预测误差存在显著差异。最后，我们概述了一个多元示例，其中PAX-TS展示了预测模型如何考虑跨通道相关性。借助PAX-TS，时间序列预测模型的机制可以在不同细节层次上得到阐明，其解释可用于回答关于预测的实际问题。
引用
@article{arxiv.2508.18982,
title = {PAX-TS: Model-agnostic multi-granular explanations for time series forecasting via localized perturbations},
author = {Tim Kreuzer and Jelena Zdravkovic and Panagiotis Papapetrou},
journal= {arXiv preprint arXiv:2508.18982},
year = {2025}
}