序列显著性：多元时间序列预测的时间维度解释
机器学习
2020-12-18 v1 人工智能
摘要
时间序列预测是一项重要且具有挑战性的任务。尽管深度学习方法近期已被开发出来以提供优越的预测结果，但提升时间序列模型的可解释性至关重要。以往的解释方法，包括通用神经网络的方法和基于注意力的方法，主要考虑特征维度上的解释，而忽略了关键的时间维度。在本文中，我们提出用于多元时间序列预测时间维度解释的序列显著性框架，该框架在特征和时间两个维度上考虑预测解释。通过从时间序列的滑动窗口中提取“序列图像”，我们依据最小破坏区域原则应用显著性图分割。该序列显著性框架可应用于任何定义良好的深度学习模型，并作为一种数据增强手段以获得更精确的预测。在多个真实数据集上的实验结果表明，我们的框架为时间序列预测任务生成时间维度解释，同时产生准确的时间序列预测。
引用
@article{arxiv.2012.09324,
title = {Series Saliency: Temporal Interpretation for Multivariate Time Series Forecasting},
author = {Qingyi Pan and Wenbo Hu and Jun Zhu},
journal= {arXiv preprint arXiv:2012.09324},
year = {2020}
}