时间序列预测中特征重要性的时间依赖性
机器学习
2023-03-08 v2
摘要
时间序列数据给可解释性方法带来两个关键挑战：首先，同一特征在后续时间步上的观测并不独立；其次，同一特征对模型预测的重要性可随时间变化。本文提出时间窗口特征重要性（WinIT），一种基于特征移除的可解释性方法来解决这些问题。与现有特征移除解释方法不同，WinIT 在构建其重要性分数时显式考虑了同一特征不同观测间的时间依赖性。此外，WinIT 通过在过去时间步窗口上汇总特征重要性，捕捉其特征随时间变化的重要性。我们在合成与真实世界数据上进行了广泛的实证研究，与多种领先的可解释性方法比较，并探讨了不同评估策略的影响。结果表明，WinIT 相较现有方法取得显著增益，且在不同的评估指标下具有更一致的性能。我们的工作代码公开于 \url{https://github.com/layer6ai-labs/WinIT}。
引用
@article{arxiv.2107.14317,
title = {Temporal Dependencies in Feature Importance for Time Series Predictions},
author = {Kin Kwan Leung and Clayton Rooke and Jonathan Smith and Saba Zuberi and Maksims Volkovs},
journal= {arXiv preprint arXiv:2107.14317},
year = {2023}
}
备注
International Conference on Learning Representations 2023 (ICLR'23)