基于形状集驱动的时间序列分类模型的后置解释：ShapeX
机器学习
2025-10-28 v2 人工智能
摘要
解释时间序列分类模型在高风险应用中至关重要，如医疗和金融领域，其中透明度和可信度扮演关键角色。虽然众多时间序列分类方法已识别关键子序列——称为形状集——作为实现最先进性能和验证其在分类结果中的关键作用的核心特征，但现有的后置时序序列解释（PHTSE）方法主要关注在时间步级特征归因。这些解释方法忽略了分类结果主要由关键形状集驱动的事实。为弥合这一差距，我们提出ShapeX——一种创新框架，将时间序列分割为由形状集驱动的有意义片段，并采用Shapley值来评估其显著性。在ShapeX核心处于Shapelet Describe-and-Detect（SDD）框架，有效学习一组多样化的形状集以实现分类。我们进一步演示ShapeX产生的解释揭示了因果关系，而不仅仅是相关性，这源于形状集的原子性质。在合成数据和真实世界数据集上的实验结果表明，ShapeX在识别最相关子序列方面优于现有方法，提升了时间序列解释的精度和因果忠实度。
引用
@article{arxiv.2510.20084,
title = {ShapeX: Shapelet-Driven Post Hoc Explanations for Time Series Classification Models},
author = {Bosong Huang and Ming Jin and Yuxuan Liang and Johan Barthelemy and Debo Cheng and Qingsong Wen and Chenghao Liu and Shirui Pan},
journal= {arXiv preprint arXiv:2510.20084},
year = {2025}
}