XEM：一种面向多元时间序列分类的按设计可解释集成方法
机器学习
2022-02-16 v5 机器学习
摘要
我们提出 XEM，一种面向多元时间序列分类的按设计可解释（Explainable-by-design）集成方法。XEM 依赖于一种新型混合集成方法，其结合了显式提升-装袋（boosting-bagging）方法来处理机器学习模型面临的偏差-方差权衡，以及隐式分治方法来个体化训练数据不同部分上的分类器误差。我们的评估表明，XEM 在公开 UEA 数据集上优于最先进的 MTS 分类器。此外，XEM 提供按设计忠实的可解释性，并在面对持续数据收集带来的挑战（不同 MTS 长度、缺失数据与噪声）时表现出稳健性能。
引用
@article{arxiv.2005.03645,
title = {XEM: An Explainable-by-Design Ensemble Method for Multivariate Time Series Classification},
author = {Kevin Fauvel and Élisa Fromont and Véronique Masson and Philippe Faverdin and Alexandre Termier},
journal= {arXiv preprint arXiv:2005.03645},
year = {2022}
}
备注
Accepted for publication in Data Mining and Knowledge Discovery