利用图像高亮方法的时间序列分类可解释人工智能
机器学习
2023-11-30 v1 人工智能
摘要
尽管在计算机视觉与自然语言处理（NLP）领域已开展大量可解释性工作，但对于时间序列所应用方法的解释仍有许多工作待完成，因为时间序列本质上无法一眼看懂。在本文中，我们提出一种教师-学生架构（蒸馏模型）中的深度神经网络（DNN），为时间序列分类任务提供可解释性。我们方法的可解释性基于将时间序列转换为 2D 图并应用图像高亮方法（如 LIME 和 GradCam），使预测可解释。同时，所提方法在以增加训练时间为代价的情况下，提供了与基线模型竞争的更高准确率。
引用
@article{arxiv.2311.17110,
title = {XAI for time-series classification leveraging image highlight methods},
author = {Georgios Makridis and Georgios Fatouros and Vasileios Koukos and Dimitrios Kotios and Dimosthenis Kyriazis and Ioannis Soldatos},
journal= {arXiv preprint arXiv:2311.17110},
year = {2023}
}