TSEM：用于多元时间序列的时间加权时空可解释神经网络
机器学习
2022-08-04 v2 人工智能
摘要
由于其灵活性和适应性，深度学习已成为技术和商业领域的一站式解决方案。它是使用不透明模型实现的，这不幸削弱了结果的可信度。为了更好地理解系统的行为，特别是由时间序列驱动的系统，审视深度学习模型内部（即所谓的后验可解释人工智能（XAI）方法）十分重要。时间序列数据的 XAI 有两大类，即模型无关和模型相关。本工作考虑模型相关方法。虽然其他方法采用类激活映射（CAM）或注意力机制，我们将这两种策略合并到单一系统中，简称为用于多元时间序列的时间加权时空可解释神经网络（TSEM）。TSEM 结合了 RNN 和 CNN 模型的能力，使得 RNN 隐藏单元用作 CNN 特征图时间轴上的注意力权重。结果表明 TSEM 优于 XCM。其在准确率方面与 STAM 相似，同时也满足若干可解释性标准，包括因果性、保真度和时空性。
引用
@article{arxiv.2205.13012,
title = {TSEM: Temporally Weighted Spatiotemporal Explainable Neural Network for Multivariate Time Series},
author = {Anh-Duy Pham and Anastassia Kuestenmacher and Paul G. Ploeger},
journal= {arXiv preprint arXiv:2205.13012},
year = {2022}
}