基于Shapelet的多变量时间序列反事实解释
机器学习
2022-08-23 v1
摘要
随着机器学习和深度学习模型在众多领域高度普及，其在决策过程中采用的主要保留意见在于它们的黑盒性质。可解释人工智能（XAI）范式近来因其能够降低模型不透明性而获得大量关注。XAI方法不仅提升了利益相关者对决策过程的信任，也帮助开发者确保其公平性。近期努力已投入于创建透明模型和事后解释。然而，针对时间序列数据开发的方法较少，而在多变量数据集方面则更少。在本工作中，我们利用shapelet固有的可解释性，开发了一种模型无关的多变量时间序列（MTS）反事实解释算法。反事实通过指明必须对输入进行哪些更改以改变最终决策，对使黑盒模型可解释具有巨大影响。我们在一个真实太阳耀斑预测数据集上测试了我们的方法，并证明我们的方法产生高质量反事实。此外，与唯一的MTS反事实生成算法相比，除了具有视觉可解释性外，我们的解释在接近性、稀疏性和合理性方面更优。
引用
@article{arxiv.2208.10462,
title = {Shapelet-Based Counterfactual Explanations for Multivariate Time Series},
author = {Omar Bahri and Soukaina Filali Boubrahimi and Shah Muhammad Hamdi},
journal= {arXiv preprint arXiv:2208.10462},
year = {2022}
}
备注
Appeared in ACM SIGKDD Workshop on Mining and Learning from Time Series (KDD-MiLeTS 2022)