XCM：一种用于多元时间序列分类的可解释卷积神经网络
机器学习
2021-12-10 v3 机器学习
摘要
随着多个领域中时序数据集数量的增加，多元时间序列（MTS）分类在过去十年中变得日益重要。当前最先进的MTS分类器是一种重量级深度学习方法，其仅在大型数据集上优于次优的MTS分类器。此外，该深度学习方法无法提供可信的解释，因为它依赖于与模型无关的事后可解释性方法，这可能阻碍其在众多应用中的使用。在本文中，我们提出XCM，一种用于MTS分类的可解释卷积神经网络（eXplainable Convolutional neural network）。XCM是一种新型的紧凑卷积神经网络，它直接从输入数据中提取与观测变量和时间相关的信息。因此，XCM的架构在大型和小型数据集上均具备良好的泛化能力，同时允许充分利用可信的、与模型相关的事后可解释性方法（梯度加权类激活映射），通过精确识别输入数据中对预测重要的观测变量和时间戳。我们首先表明，XCM在大型和小型公开UEA数据集上均优于最先进的MTS分类器。随后，我们在合成数据集上阐明XCM如何兼顾性能与可解释性，并展示与当前同样提供可信可解释性的深度学习MTS分类器相比，XCM能更精确地识别输入数据中对预测重要的区域。最后，我们展示了XCM如何在真实世界应用中超越当前最精确的先进算法，同时通过提供可信且信息更丰富的解释来增强可解释性。
引用
@article{arxiv.2009.04796,
title = {XCM: An Explainable Convolutional Neural Network for Multivariate Time Series Classification},
author = {Kevin Fauvel and Tao Lin and Véronique Masson and Élisa Fromont and Alexandre Termier},
journal= {arXiv preprint arXiv:2009.04796},
year = {2021}
}
备注
Accepted for publication in Mathematics. Another machine learning method for multivariate time series classification providing faithful explanations is presented in arXiv:2005.03645