TriShGAN：增强多变量时间序列反事实解释的稀疏性与鲁棒性
机器学习
2025-11-11 v1 人工智能
摘要
在决策过程中，利益相关者常依赖反事实解释，这些解释提供有关应如何更改查询实例以改变 AI 系统输出的建议。然而，为多变量时间序列生成这些解释具有挑战，因其复杂的多维特性。传统的基于最近不同邻居(NUN)的方法通常以查询时间序列中子序列替换来自 NUN 中有影响子序列的方式，这在现实场景下并不总是切实可行，因其刚性直接替换。反事实生成式对抗网络(Counterfactual with Residual GAN)方法旨在通过学习观测数据分布来生成合成反事实解释来解决此问题。然而，这些方法主要关注最小化查询时间序列与反事实解释之间的成本，常忽视将反事实解释远离决策边界的重要性。这一疏忽可能导致解释在模型发生轻微变更后不再符合反事实标准。为生成更稳健的反事实解释，本文引入 TriShGAN，该方法基于 CounteRGAN 框架增强并融合三角损失。该无监督学习方法使用距离度量学习，鼓励反事实解释不仅靠近查询时间序列，还捕获具有期望结果实例的特征分布，从而在最小成本与鲁棒性之间实现更好平衡。此外，我们集成了形状特征提取器(Straker Extractor)，战略性地选择高维查询时间序列中最具辨识性的部分，以增强反事实解释的稀疏性和训练过程的效率。
引用
@article{arxiv.2511.06529,
title = {TriShGAN: Enhancing Sparsity and Robustness in Multivariate Time Series Counterfactuals Explanation},
author = {Hongnan Ma and Yiwei Shi and Guanxiong Sun and Mengyue Yang and Weiru Liu},
journal= {arXiv preprint arXiv:2511.06529},
year = {2025}
}