面向时间序列反事实解释的可信度提升
机器学习
2026-03-10 v1 人工智能
机器学习
摘要
我们提出一种用于生成时间序列分类问题可信反事实解释的新方法。该方法直接在输入空间执行梯度优化。为实现可信度，我们将软-DTW (动态时间规整) 对齐与来自目标类别的 k 近邻相结合，有效地鼓励生成的反事实解释采用真实的时序结构。整体优化目标是一个多维度的损失函数，平衡关键反事实属性。它融合了有效性、稀疏性和接近性损失，以及新颖的软-DTW 基于可信度组件。我们对该方法在多个强参考方法上的评估，对生成的反事实在多个维度上衡量其关键属性。结果表明，该方法在有效性方面表现出竞争力，同时在与目标类别的分布对齐方面显著优于现有方法，表明在时序真实性方面具有优势。此外，定性分析突显了现有方法在保持真实时序结构方面的关键局限性。本工作表明，所提方法能够为时间序列分类器持续生成既有效又高度可信且符合时序模式的反事实解释。
引用
@article{arxiv.2603.08349,
title = {Towards plausibility in time series counterfactual explanations},
author = {Marcin Kostrzewa and Krzysztof Galus and Maciej Zięba},
journal= {arXiv preprint arXiv:2603.08349},
year = {2026}
}