TimeSAE：面向黑箱时间序列模型忠实解释的稀疏解码
机器学习
2026-01-16 v1
摘要
随着黑箱模型和预训练模型在时间序列应用中日益普及，理解和解释其预测变得至关重要，尤其是在可解释性和信任度不可或缺的高风险领域。然而，现有方法大多仅涉及分布内解释，无法泛化到训练支撑集之外，而这需要泛化的学习能力。本文旨在通过稀疏自编码器（Sparse Autoencoders, SAEs）和因果性的双重视角，为解释时间序列数据的黑箱模型提供一个框架。我们表明，当前许多解释方法对分布偏移敏感，限制了它们在真实场景中的有效性。基于稀疏自编码器的概念，我们引入了 TimeSAE，一个用于黑箱模型解释的框架。我们在合成和真实时间序列数据集上对 TimeSAE 进行了广泛评估，并将其与领先的基线方法进行了比较。由定量指标和定性见解共同支持的结果表明，TimeSAE 提供了更忠实且更稳健的解释。我们的代码已在一个易于使用的库 TimeSAE-Lib 中提供：https://anonymous.4open.science/w/TimeSAE-571D/。
引用
@article{arxiv.2601.09776,
title = {TimeSAE: Sparse Decoding for Faithful Explanations of Black-Box Time Series Models},
author = {Khalid Oublal and Quentin Bouniot and Qi Gan and Stephan Clémençon and Zeynep Akata},
journal= {arXiv preprint arXiv:2601.09776},
year = {2026}
}