何时、持续多久与多少？通过学习掩码与聚合实现可解释神经网络的时间序列回归
机器学习
2025-12-23 v2 人工智能
摘要
时间序列外生回归（TSER）指从输入时间序列预测连续目标变量的任务。它出现在许多领域，包括医疗、金融、环境监测和工程。在这些场景中，准确的预测和可信的推理都至关重要。尽管最先进的 TSER 模型取得了强大的预测性能，但它们通常以黑箱方式运行，使得难以理解哪些时间模式驱动了其决策。后验可解释性技术（如特征归因）旨在解释模型如何得出其预测，但往往产生粗糙、噪声大或不稳定的解释。最近，基于概念、加法分解或符号回归的固有可解释方法作为有前景的替代方案出现。然而，这些方法仍然存在局限：它们需要概念本身的显式监督，往往无法捕捉时间序列特征之间的交互作用，缺乏对复杂时间模式的表达能力，并且难以扩展到高维多变量数据。为应对这些局限，我们提出了 MAGNETS（Mask-and-AGgregate NEtwork for Time Series），一种用于 TSER 的固有可解释神经网络架构。MAGNETS 学习一组紧凑的、人类可理解的概念，无需任何标注。每个概念对应于对选定输入特征的基于掩码的聚合，明确揭示哪些特征驱动预测以及它们在序列中何时起作用。预测通过透明的加法结构将这些学习到的概念组合而成，从而实现对模型决策过程的清晰洞察。代码实现和数据集公开发布于 https://github.com/FlorentF9/MAGNETS。
引用
@article{arxiv.2512.03578,
title = {When, How Long and How Much? Interpretable Neural Networks for Time Series Regression by Learning to Mask and Aggregate},
author = {Florent Forest and Amaury Wei and Olga Fink},
journal= {arXiv preprint arXiv:2512.03578},
year = {2025}
}
备注
Added link to the GitHub repository