ProtoTSNet：用于可解释多变量时间序列分类的原型部件
机器学习
2025-11-05 v1
摘要
时间序列数据是关键领域（如工业和医疗）中最流行的数据模态之一。对于不仅表现出高准确率且还能提供可解释性的算法需求至关重要，因为此类领域的决策具有重大后果。在本文中，我们提出了 ProtoTSNet，这是一种针对多变量时间序列数据进行可解释分类的新方法，通过对 ProtoPNet 架构进行大量改进来实现。该方法专为克服时间序列分析的独特挑战而设计，包括捕获动态模式和处理特征重要性的变化。我们的方法的核心创新是采用分组卷积的修改卷积编码器，可作为自监督自编码器的一部分进行预训练，旨在保留和量化特征重要性。我们在来自 UEA 数据集的 30 个多变量时间序列数据集上对模型进行评估，将其与现有的可解释方法以及非可解释基线方法进行比较。通过全面的评估和消融研究，我们展示了该方法在 ante-hoc 可解释方法中取得最佳性能，同时保持与非可解释和后置可解释方法的竞争性能，为领域专家提供可访问的可解释结果。
引用
@article{arxiv.2511.02152,
title = {ProtoTSNet: Interpretable Multivariate Time Series Classification With Prototypical Parts},
author = {Bartłomiej Małkus and Szymon Bobek and Grzegorz J. Nalepa},
journal= {arXiv preprint arXiv:2511.02152},
year = {2025}
}
备注
30 pages, 10 figures