TimeSliver：面向可解释时间序列分类的符号-线性分解
机器学习
2026-03-10 v2
摘要
确定每个时间段对模型预测的影响程度对于解释模型决策和提高透明度至关重要。虽然基于梯度和特征归因的后置解释方法流行，但因将时间点独立处理且忽略序列依赖关系，存在参考状态敏感性并难以在不同时间序列数据集上泛化。另一种视角是通过模型的可解释组件来实现可解释的时间序列分类，例如利用自注意力机制估计时间归因；然而，近期研究表明，这些注意力权重往往难以提供时间重要性的忠实度量。在本工作中，我们提出了一种新的解释驱动深度学习框架TimeSliver，联合利用原始时间序列数据及其符号抽象构建保持原始时序结构的表示。该表示中每个元素线性编码每个时间段对最终预测的贡献，从而为每个时间点分配有意义的重要性分数。对于时间序列分类，TimeSliver在7个不同综合与真实世界的多变量时间序列数据集上优于其他时序归因方法11%。TimeSliver在26个UEA基准数据集上实现的预测性能也仅次于最先进的基线，仅差2%，因此作为通用时间序列分类的强大且可解释的框架。
关键词
引用
@article{arxiv.2601.21289,
title = {TimeSliver : Symbolic-Linear Decomposition for Explainable Time Series Classification},
author = {Akash Pandey and Payal Mohapatra and Wei Chen and Qi Zhu and Sinan Keten},
journal= {arXiv preprint arXiv:2601.21289},
year = {2026}
}
备注
Accepted to ICLR 2026