时间序列深度学习模型基于扰动灵敏度分析方法的验证、鲁棒性与准确性
机器学习
2024-01-31 v1 人工智能
摘要
本工作旨在评估时间序列深度学习的可解释性方法。灵敏度分析评估输入变化如何影响输出，是解释性的关键组成部分。在事后解释方法（如反向传播、扰动和近似）中，我的工作将研究现代Transformer模型上基于扰动的灵敏度分析方法，以基准测试其性能。具体而言，我的工作回答三个研究问题：1）不同的灵敏度分析方法是否产生可比较的输出和属性重要性排序？2）使用相同的灵敏度分析方法，不同的深度学习模型是否影响灵敏度分析的输出？3）灵敏度分析方法的结果与真实情况的一致性如何？
引用
@article{arxiv.2401.16521,
title = {Validation, Robustness, and Accuracy of Perturbation-Based Sensitivity Analysis Methods for Time-Series Deep Learning Models},
author = {Zhengguang Wang},
journal= {arXiv preprint arXiv:2401.16521},
year = {2024}
}