TS-MULE：面向时间序列预测模型的局部可解释模型无关解释方法
机器学习
2021-09-20 v1
摘要
时间序列预测是一项高需求的任务，从天气预报到故障预测，黑盒模型已取得了最先进的性能。然而，其可理解性与可调试性却无法保证。我们提出 TS-MULE，一种专用于时间序列、扩展 LIME 方法的局部代理模型解释方法。我们扩展后的 LIME 可配合多种对时间序列数据进行分段与扰动的方式工作。在我们的扩展中，我们提出了六种时间序列的采样分段方法以提升代理归因的质量，并在三种深度学习模型架构与三个常用多元时间序列数据集上展示了它们的性能。
引用
@article{arxiv.2109.08438,
title = {TS-MULE: Local Interpretable Model-Agnostic Explanations for Time Series Forecast Models},
author = {Udo Schlegel and Duy Vo Lam and Daniel A. Keim and Daniel Seebacher},
journal= {arXiv preprint arXiv:2109.08438},
year = {2021}
}
备注
8 pages, 2 pages references, Advances in Interpretable Machine Learning and Artificial Intelligence (AIMLAI) at ECML/PKDD 2021