STX-Search：用于连续动态时空模型的解释搜索
机器学习
2025-03-07 v1 人工智能
摘要
近期时空模型表达能力的提升在许多实际应用中带来了性能提升，如交通预测和社交网络建模。然而，理解来自模型的预测至关重要，以确保其可靠性和可信度，特别是在医疗和交通等高风险应用中。现有方法鲜有能够为在连续时间动态图数据上训练的模型生成解释，而这些方法的计算复杂度和缺乏合适解释目标也是挑战。在本文中，我们提出了patio-emporal Eplanation （STX-Search），一种用于生成适用于静态和动态时空图结构的实例级解释的新方法。我们引入了新的搜索策略和目标函数，以找到高度忠实且可解释的解释。与现有方法相比，STX-Search在提高解释忠诚度的同时，还优化了解释大小以保持可解释性。
引用
@article{arxiv.2503.04509,
title = {STX-Search: Explanation Search for Continuous Dynamic Spatio-Temporal Models},
author = {Saif Anwar and Nathan Griffiths and Thomas Popham and Abhir Bhalerao},
journal= {arXiv preprint arXiv:2503.04509},
year = {2025}
}