何处出错、何时出错？时间序列模型的实例级特征重要性
机器学习
2020-10-29 v3 机器学习
摘要
时间序列模型的解释在医疗等高风险应用中很有用，但在机器学习文献中鲜受关注。我们提出 FIT，一个通过量化预测分布随时间偏移来评估多元时间序列黑盒模型观测重要性的框架。FIT 基于观测在 KL 散度下对分布偏移的贡献来定义其重要性，该 KL 散度将预测分布与其余特征未被观测的反事实情形进行对比。我们还论证了控制时间相关分布偏移的必要性。我们在模拟与真实世界临床数据上与最先进基线比较，并证明我们的方法在识别整个时间序列中的重要时间点与观测方面更优。
引用
@article{arxiv.2003.02821,
title = {What went wrong and when? Instance-wise Feature Importance for Time-series Models},
author = {Sana Tonekaboni and Shalmali Joshi and Kieran Campbell and David Duvenaud and Anna Goldenberg},
journal= {arXiv preprint arXiv:2003.02821},
year = {2020}
}