TX-Gen：稀疏时间序列分类的多目标优化稀疏反事实解释
机器学习
2024-11-12 v2 人工智能
神经与进化计算
摘要
在时间序列分类中，理解模型决策对于应用于医疗和金融等高风险领域的应用至关重要。反事实解释通过呈现改变模型预测的备选输入来提供洞察，是一个有前景的解决方案。然而，现有方法在生成时间序列数据的反事实解释时往往难以平衡关键目标，如接近性、稀疏性和有效性。在本文中，我们引入了TX-Gen，这是一个基于非支配排序遗传算法II(NSGA-II)的反事实解释生成算法。TX-Gen利用进化多目标优化寻找一组稀疏且有效的反事实解释，同时保持与原始时间序列的最小不相似性。通过纳入灵活的参考引导机制，我们的方法改进了反事实解释的可信度和可解释性，而无需依赖预定义的假设。广泛的基准数据集实验表明，TX-Gen在生成高质量反事实解释方面优于现有方法，使时间序列模型更加透明和可解释。
引用
@article{arxiv.2409.09461,
title = {TX-Gen: Multi-Objective Optimization for Sparse Counterfactual Explanations for Time-Series Classification},
author = {Qi Huang and Sofoklis Kitharidis and Thomas Bäck and Niki van Stein},
journal= {arXiv preprint arXiv:2409.09461},
year = {2024}
}
备注
Accepted to EXPLAINS 2024