UniCoMTE：一种用于解释ECG 数据上时间序列分类器的通用反事实框架
机器学习
2025-12-23 v2 人工智能
摘要
机器学习模型，特别是深度神经网络，在对复杂时序数据进行分类方面表现出强大的性能。然而，其黑箱本质限制了信任和采纳，尤其是在高风险领域如医疗保健领域。为解决这一挑战，我们引入UniCoMTE，一个用于为多变量时序分类器生成反事实解释的模型无关框架。该框架通过修改输入样本并评估其对模型预测的影响来识别最深刻影响模型预测的时序特征。UniCoMTE与广泛的模型架构兼容，可直接作用于原始时序输入。在本研究中，我们在时序ECG 分类器上评估了UniCoMTE 的解释。我们通过比较我们解释的可理解性与现有技术 (LIME 和SHAP) 的可理解性，以及评估其对相似样本的可推广性来量化解释质量。此外，通过完成由医学专家完成的问卷调查来评估临床实用性，专家们审查了置于原始ECG 样本旁的反事实解释。结果表明，我们的方法产生简洁、稳定且符合人类直觉的解释，在清晰度和适用性方面均优于现有方法。通过将模型预测链接到有意义的信号模式，该框架推进了深度学习模型用于实际时序应用的可解释性。
引用
@article{arxiv.2512.17100,
title = {UniCoMTE: A Universal Counterfactual Framework for Explaining Time-Series Classifiers on ECG Data},
author = {Justin Li and Efe Sencan and Jasper Zheng Duan and Vitus J. Leung and Stephen Tsaur and Ayse K. Coskun},
journal= {arXiv preprint arXiv:2512.17100},
year = {2025}
}
备注
21 pages, 7 figures