时间不够用：基于时频域的时间序列黑箱模型解释

尽管时间序列解释因其广泛应用而受到大量关注，但现有方法的一个显著局限在于其主要依赖于时域。这忽略了时间序列数据同时包含时间和频率特征的内在特性。在本工作中，我们提出了Spectral eXplanation（SpectralX），一个为时间序列黑箱分类器提供时频解释的可解释人工智能框架。这个易于适应的框架使用户能够即插即用地将各种基于扰动的可解释人工智能方法应用于任何预训练的时间序列分类模型，以评估其对解释质量的影响，而无需修改框架架构。此外，我们引入了一种新的基于扰动的可解释人工智能方法——特征重要性近似（Feature Importance Approximations，FIA）。这些方法包括特征插入、删除和组合技术，以提高时间序列分类任务中的计算效率和类别特定解释。我们在生成的合成数据集和各类UCR时间序列数据集上进行了广泛实验，首先比较了FIA与其他现有基于扰动的可解释人工智能方法在时域和时频域中的解释性能，然后展示了FIA在SpectralX框架下时频域中的优越性。最后，我们通过用户研究确认了FIA在SpectralX框架中用于类别特定时频域时间序列解释的实用性。源代码可在https://github.com/gustmd0121/Time_is_not_Enough获取。