WinTSR：一种用于解释时间序列深度学习模型的窗口化时间显著性重缩放方法

解释复杂的时间序列预测模型具有挑战性，原因在于时间步之间的时序依赖关系以及输入特征随时间的动态相关性。现有的解释方法存在局限性，它们主要聚焦于分类任务，使用自定义基线模型而非最新时间序列模型进行评估，使用简单的合成数据集，并且需要训练另一个模型。我们提出了一种新的解释方法——\textit{Windowed Temporal Saliency Rescaling (WinTSR)}，以解决这些局限性。WinTSR 显式地捕捉过去时间步之间的时序依赖关系，并利用这种时间重要性高效地对特征重要性进行缩放。我们在 5 种不同架构的最先进深度学习模型（包括一种时间序列基础模型）上，将 WinTSR 与 10 种最近的解释技术进行了基准测试。我们在 3 个真实世界数据集上用于时间序列分类和回归。我们的综合分析表明，WinTSR 在整体性能上显著优于其他局部解释方法。最后，我们提供了一个新颖的开源框架，用于解释最新的时间序列 Transformer 和基础模型。