SSET：用于情感检测中多变量时间序列分类器的交换-滑动解释
机器学习
2024-10-18 v1 人工智能
摘要
局部解释机器学习模型最近因其能够减少关于模型为何对特定决策做出特定决定的模糊性而受到广泛关注。为不同数据类型提供可解释性方面投入了大量工作，尤其是针对图像。然而，针对多变量时间序列数据的工作有限。一个可能的原因是，时间序列数据中时间变量与其他变量的混合，可能导致生成的解释对人类难以理解。此外，一些针对时间序列的工作未能提供准确的解释，因为它们要么忽略了时间域中的上下文，要么对机器学习模型施加了可微性要求。此类限制阻碍了其在实际应用和非可微机器学习场景中提供有效解释的能力。本文提出了一种用于多变量时间序列分类器的交换-滑动决策解释方法，称为SSET。该方法由交换和滑动两个阶段组成，通过这些阶段可呈现导致预测得分显著下降的显著子序列作为解释。在前一个阶段，通过将感兴趣的时间序列与来自目标类别的近似训练数据交换来检测重要变量。在后一个阶段，通过在每个时间步骤上滑动窗口来探索这些变量的显著观察值。此外，该模型以一种以多个因素为特征的新颖方式衡量不同变量随时间的重要性。我们在情感检测领域应用SSET，在两个真实世界生理时间序列数据集（WESAD 和 MAHNOB-HCI）上进行评估，并使用一种深度卷积分类器 CN-Waterfall。该分类器在检测人类情感状态方面表现优于先前模型。将SSET与包括LIME、积分梯度和Dynamask在内的多个基准方法进行比较，我们发现..
引用
@article{arxiv.2410.12996,
title = {SSET: Swapping-Sliding Explanation for Time Series Classifiers in Affect Detection},
author = {Nazanin Fouladgar and Marjan Alirezaie and Kary Främling},
journal= {arXiv preprint arXiv:2410.12996},
year = {2024}
}