用于多变量时间序列分类的 ST-Tree 及其可解释性
机器学习
2024-11-19 v1 人工智能
摘要
多变量时间序列分类在实际应用中非常重要，且是一项具有挑战性的任务。然而，诸如 Transformer 之类的深度神经网络模型在多变量时间序列分类中表现出很高的准确率，但缺乏可解释性，无法提供对决策过程的深入理解。另一方面，基于决策树分类器的传统方法提供了清晰的决策过程，但准确率相对较低。Swin Transformer (ST) 通过利用自注意力机制捕获细粒度的局部模式和全局模式来解决这些问题。它还可以建模多尺度特征表示学习，从而提供更全面的时间序列特征表示。为了应对上述挑战，我们提出了用于多变量时间序列分类且具有可解释性的 ST-Tree。具体而言，ST-Tree 模型将 ST 作为骨干网络与一个额外的神经树模型相结合。这种整合使我们能够充分利用 ST 在学习时间序列上下文方面的优势，同时通过神经树提供可解释的决策过程。这使研究人员能够对模型的决策过程获得清晰的见解，并提取有意义的解释。通过在 10 个 UEA 数据集上的实验评估，我们证明了 ST-Tree 模型提高了多变量时间序列分类任务的准确率，并通过可视化不同数据集的决策过程提供了可解释性。
引用
@article{arxiv.2411.11620,
title = {ST-Tree with Interpretability for Multivariate Time Series Classification},
author = {Mingsen Du and Yanxuan Wei and Yingxia Tang and Xiangwei Zheng and Shoushui Wei and Cun Ji},
journal= {arXiv preprint arXiv:2411.11620},
year = {2024}
}
备注
Submitted on May 15, 2024, major revisions on Aug 31, 2024