PHEATPRUNER：基于持久同调的可解释多变量时间序列分类特征选择方法
机器学习
2025-04-28 v1 人工智能
摘要
在多变量时间序列分类中平衡性能与可解释性是一个因数据复杂性和高维度性带来的显著挑战。本文引入了 PHeatPruner 方法，融合持久同调与 sheaf 理论以应对这些挑战。持久同调能够在保持或提升 Random Forest、CatBoost、XGBoost 和 LightGBM 等模型准确率的前提下，对应用变量进行最高 45% 的剪枝，且无需依赖后验概率或监督优化算法。同时，sheaf 理论提供解释性向量，从而深入洞察数据结构的细微差别。该方法采用 UEA Archive 和一组用于牡牛mastitis检测的数据集进行验证。结果表明，PHeatPruner 能够有效保持模型准确率。此外，我们的结果突显了 PHeatPruner 的关键特征，即在不增加处理时间或复杂度的前提下简化复杂数据并提供可操作性见解。这一方法搭建了复杂度降低与可解释性之间的鸿沟，展望了在多个领域的广泛应用前景。
引用
@article{arxiv.2504.18329,
title = {PHEATPRUNER: Interpretable Data-centric Feature Selection for Multivariate Time Series Classification through Persistent Homology},
author = {Anh-Duy Pham and Olivier Basole Kashongwe and Martin Atzmueller and Tim Römer},
journal= {arXiv preprint arXiv:2504.18329},
year = {2025}
}
备注
Preprint