Interpretable Time Series Classification using All-Subsequence Learning and Symbolic Representations in Time and Frequency Domains
Insight Centre for Data Analytics(洞察数据分析中心);University College Dublin(都柏林大学学院)
时间序列分类文献在过去十年中迅速扩展,每年都有许多新的分类方法出版。研究的重点大多集中在提高分类器的准确率和效率上,而其可解释性却受到一定程度的忽视。分类器的可解释性已成为许多应用领域的关键约束,2018年5月GDPR欧盟立法引入的“解释权”可能会进一步强调可解释的学习算法的重要性。在这项工作中,我们分析了最先进的时间序列分类,并提出了新的算法,旨在保持分类器的准确性和效率,但保持可解释性作为一个关键的设计约束。我们提出了新的时间序列分类算法,通过实现以下三个关键思想来推进最新技术水平:(1)符号近似的多分辨率:我们组合使用不同参数获得的符号表示;(2)多域表示:我们在时间上组合符号近似(例如,SAX)和频率(例如,SFA)结构域;(3)巨大的符号词空间的有效导航:我们采用名为SEQL的符号序列分类器,使其与多个域表示(例如,SAX-SEQL,SFA-SEQL),并使用其贪婪的特征选择策略来有效地过滤每个表示的最佳特征。我们发现,多分辨率多域线性分类器SAX-SFA-SEQL实现了与最先进的COTE集成和最近的深度学习方法(FCN)相似的准确性,但使用COTE或FCN所需时间的一小部分。我们讨论了我们提出的算法的准确性,效率和可解释性。为了进一步分析我们的分类器的可解释性方面,我们提出了一个生态基准的案例研究。
2018-08-12 cs.LG stat.ML
Interpretable PM2.5 Forecasting for Urban Air Quality: A Comparative Study of Adaptive Time-Series Models
School of Computing, National University of Computer & Emerging Sciences (FAST)(国家计算机与新兴科学大学(FAST)计算学院);College of Computing and Informatics, Saudi Electronic University(沙特电子大学计算与信息学院)
本文比较了三种模型在预测北京小时PM2.5中的性能,发现Facebook Prophet在走动重拟合下表现最佳,且计算效率高,修正后误差更低。
2026-10-21 cs.AI cs.LG
Self-Interpretable Time Series Prediction with Counterfactual Explanations
Rutgers University(罗格斯大学)
本文提出自解释模型CounTS,通过变分贝叶斯深度学习实现时间序列的反事实解释,在保持预测精度的同时生成更优的可操作解释。
2023-06-22 cs.LG
Interpretable Feature Engineering for Time Series Predictors using Attention Networks
Wells Fargo(富国银行)
带有时间序列预测器的回归问题在银行和许多其他应用领域中很常见。在本文中,我们使用多头注意力网络来开发可解释的功能,并使用它们来实现良好的预测性能。定制的注意力层明确地使用乘法交互,并构建以简约的方式捕获时间动态的特征工程头。卷积层用于组合多变量时间序列。我们还讨论了在建模过程中处理静态协变量的方法。可视化和解释工具用于解释结果,并解释输入和提取的特征之间的关系。模拟和真实数据集都被用来说明该方法的实用性。关键词:注意头,深度神经网络,可解释特征工程
2022-05-23 cs.LG
IDEA: Interpretable Dynamic Ensemble Architecture for Time Series Prediction
The Hong Kong University of Science and Technology(香港科技大学)
我们通过一个可解释的集成来提高单变量时间序列点预测的准确性和泛化能力。我们提出了一个可解释的动态Ensemble架构(IDEA),其中可解释的基础学习者作为一个组,稀疏通信独立地给出预测。该模型是由多个顺序堆叠的组连接的组回溯残差和经常性输入竞争。由端到端培训驱动的横向和纵向包围带来了最先进的(SOTA)性能。与TOURISM数据集上的最佳统计基准相比,预测准确性提高了2.6%,与M4数据集上的最佳深度学习基准相比,预测准确性提高了2%。该体系结构具有几个优点,适用于不同领域的时间序列,可解释给用户专门的模块化结构和强大的任务分配的变化。
2022-01-14 cs.LG
Towards Interpretable and Trustworthy Time Series Reasoning: A BlueSky Vision
School of Computing University of Connecticut Storrs, CT(计算学院 美国康涅狄格大学 斯托尔斯分校);Department of Machine Learning Research Morgan Stanley New York, NY(机器学习研究部 花旗集团 新 York)
本文提出时间序列推理的 BlueSky 愿景,从稳健基础与系统级推理两方面构建可解释、可信的跨领域时间智能框架。
2025-10-19 cs.LG
CAARL: In-Context Learning for Interpretable Co-Evolving Time Series Forecasting
Georgia Institute of Technology(佐治亚理工学院);Anonymous University(匿名大学)
本文提出CAARL方法,通过分解时间序列为自回归段并构建时序依赖图,利用LLM处理生成可解释的预测路径,实验证明其在真实数据集上的有效性。
2026-04-20 cs.LG
TS-MULE: Local Interpretable Model-Agnostic Explanations for Time Series Forecast Models
University of Konstanz(康斯坦茨大学)
时间序列预测是一项艰巨的任务,从天气到故障预测,黑箱模型具有最先进的性能。但是,理解和调试并不保证。我们提出了TS-MULE,一个本地的代理模型解释方法专门为时间序列扩展的LIME方法。我们的扩展LIME使用各种方法来分割和扰动时间序列数据。在我们的扩展中,我们提出了六种用于时间序列的采样分割方法,以提高替代属性的质量,并在三种深度学习模型架构和三种常见的多变量时间序列数据集上展示了它们的性能。
2021-09-17 cs.LG
Interpretable time series neural representation for classification purposes
Sorbonne Université(索邦大学);AgroParisTech(巴黎高科农业学院)
本文提出一种满足可解释性需求的无监督神经架构,用于生成一致、离散且可可视化的单变量时间序列表示,并在UCR数据集分类实验中平均优于其他可解释方法。
2023-10-25 cs.LG
MLOW: Interpretable Low-Rank Frequency Magnitude Decomposition of Multiple Effects for Time Series Forecasting
Macquarie University(麦考瑞大学);Shanghai Jiao Tong University(上海交通大学);Nanyang Technological University(南洋理工大学);Hong Kong Polytechnic University(香港理工大学)
MLOW通过低秩频率幅度分解方法,实现时间序列中多效应的可解释分解,解决了传统模型在可解释性、效率和泛化性上的不足。
2026-03-19 cs.LG
Interpretable Multivariate Time Series Forecasting Using Neural Fourier Transform
Technion - Israel Institute of Technology(以色列理工学院)
本文提出神经傅里叶变换(NFT)算法,结合多维傅里叶变换与时间卷积网络,在十四个数据集上验证了其高准确性和可解释性,为多元时间序列预测树立了新基准。
2024-05-22 cs.LG
$k$-Graph: A Graph Embedding for Interpretable Time Series Clustering
本文提出无监督图嵌入方法 $k$-Graph,通过多长度子序列图表示支持变长时间序列聚类,在准确率上超过现有先进算法并增强结果可解释性。
2025-02-18 cs.LG
Interpretable Feature Construction for Time Series Extrinsic Regression
Université de La Réunion(留尼汪大学);Orange Labs(Orange实验室)
时间序列数据的监督学习在分类目标变量的情况下得到了广泛的研究。在一些应用领域中,例如,在能源、环境和健康监测中,目标变量是数值的,这个问题被称为时间序列外部回归(TSER)。在文献中,一些著名的时间序列分类器已被扩展为TSER问题。由于第一个基准研究集中在预测性能,很少注意到可解释性。为了填补这一空白,在本文中,我们提出了一个扩展的贝叶斯方法,强大的和可解释的功能建设和选择的上下文中TSER。我们的方法利用关系的方式来处理TSER:(i),我们建立各种简单的表示的时间序列存储在一个关系数据方案,然后,(ii),一个命题化技术(基于来自关系数据领域的经典聚合/选择函数)被应用于从辅助表构建可解释的特征以“扁平化”数据;以及(iii)通过贝叶斯最大后验概率方法过滤出所构造的特征。所得到的转换数据可以用各种现有的回归器进行处理。各种基准数据集上的实验验证证明了所提出的方法的好处。
2021-03-15 cs.LG
Interpretable Categorization of Heterogeneous Time Series Data
Carnegie Mellon University Silicon Valley(卡内基梅隆大学硅谷校区);Stanford University(斯坦福大学);Johns Hopkins University Applied Physics Laboratory(约翰·霍普金斯大学应用物理实验室)
了解异构多变量时间序列数据在从灵巧家庭到航空的许多应用中非常重要。也是人类可解释的异质多变量时间序列的学习模型是具有挑战性的,现有文献没有充分解决。我们提出了基于语法的决策树(GBDTs)和学习它们的算法。GBDTs用语法框架扩展了决策树。从上下文无关文法导出的逻辑表达式用于分支,以代替属性上的简单阈值。增加的表达能力支持广泛的数据类型,同时保持决策树的可解释性。特别是,当使用基于时序逻辑的语法时,我们表明GBDTs可用于高维和异构时间序列数据的可解释分类。此外,我们还展示了如何将GBDTs用于分类,这是聚类和为每个聚类生成可解释的组合。我们应用GBDTs来分析经典的澳大利亚手语数据集以及近空中碰撞(NMAC)的数据。NMAC数据来自下一代机载防撞系统(ACAS X)开发中使用的飞机模拟。
2018-01-26 cs.LG
Interpretable Time Series Clustering Using Local Explanations
Toronto Metropolitan University(多伦多都会大学)
本研究的重点是探索使用局部解释性方法来解释时间序列聚类模型。许多最先进的聚类模型无法直接解释。为了解释这些聚类算法,我们训练分类模型来估计聚类标签。然后,我们使用可解释性方法来解释分类模型的决策。这些解释用于深入了解聚类模型。我们进行了详细的数值研究,以测试所提出的方法在多个数据集,聚类模型和分类模型。结果的分析表明,所提出的方法可以用来解释时间序列聚类模型,特别是当底层分类模型是准确的。最后,我们对结果进行了详细的分析,讨论了我们的方法如何在现实生活中使用。
2022-08-01 cs.LG
Towards Interpretable Concept Learning over Time Series via Temporal Logic Semantics
Università degli Studi di Trieste(特里埃斯特大学)
本文提出一种神经符号框架,将时间序列嵌入信号时序逻辑概念空间,通过STL核函数联合优化分类准确性与可解释性,实现基于可解释时序模式的分类及局部与全局符号解释。
2025-08-27 cs.LG
ProtoTSNet: Interpretable Multivariate Time Series Classification With Prototypical Parts
Doctoral School of Exact and Natural Sciences Jagiellonian University(杰洛尼沃大学精确与自然科学博士学校);Faculty of Physics, Astronomy and Applied Computer Science, Institute of Applied Computer Science, and Jagiellonian Human-Centered AI Lab Jagiellonian University(杰洛尼沃大学物理、天文学和应用计算机科学学院,应用计算机科学研究所,杰洛尼沃人本AI实验室)
针对多变量时间序列分类问题,提出ProtoTSNet方法,通过改进ProtoPNet架构,利用分组卷积的卷积编码器克服时间序列分析挑战,在30个数据集上评估,该方法在事前可解释方法中性能最佳,兼具与其他方法的竞争力并提供可解释结果。
2026-07-21 cs.LG
IBN: An Interpretable Bidirectional-Modeling Network for Multivariate Time Series Forecasting with Variable Missing
University of Science and Technology of China(中国科学技术大学)
针对变量缺失的多元时间序列预测,提出可解释双向建模网络IBN,集成不确定性感知插补与高斯核图卷积,实现最先进预测性能。
2025-09-09 cs.LG
CICADA: Cross-Domain Interpretable Coding for Anomaly Detection and Adaptation in Multivariate Time Series
Tsinghua University(清华大学)
提出CICADA框架,通过混合专家、选择性元学习、自适应扩展和分层注意力四项创新,解决多变量时间序列跨域异常检测中的分布偏移与泛化问题,并在性能和可解释性上超越现有方法。
2025-05-01 cs.LG
StackVAE-G: An efficient and interpretable model for time series anomaly detection
Tsinghua University(清华大学);Hefei University of Technology(合肥工业大学);Siemens AG(西门子股份公司)
最近的研究表明,基于自动编码器的模型可以在异常检测任务上实现卓越的性能,因为它们具有以无监督方式拟合复杂数据的出色能力。在这项工作中,我们提出了一种新的自动编码器为基础的模型,命名为StackVAE-G,可以显着带来的效率和可解释性,多变量时间序列异常检测。具体来说,我们利用跨时间序列通道的相似性,通过堆叠块式重建与权重共享方案,以减少学习模型的大小,也减轻了过拟合到未知的噪音在训练数据。我们还利用图学习模块来学习稀疏邻接矩阵,以显式地捕获多个时间序列通道之间的稳定相互关系结构,用于相互关联通道的可解释模式重构。结合这两个模块,我们介绍了堆叠分块VAE(变分自编码器)与GNN(图神经网络)模型的多变量时间序列异常检测。我们在三个常用的公共数据集上进行了大量的实验,结果表明,我们的模型与最先进的模型具有相当的(甚至更好的)性能,同时需要更少的计算和内存成本。此外,我们证明了我们的模型学习的邻接矩阵准确地捕捉多个通道之间的相互关系,可以为故障诊断应用提供有价值的信息。
2022-09-19 cs.LG
TSNN: A Non-parametric and Interpretable Framework for Traffic Time Series Forecasting
Faculty of Applied Sciences, Macao Polytechnic University(应用科学学院,澳门理工学院);Amazon Web Services, Inc.(亚马逊网络服务公司);Macao Polytechnic University(澳门理工学院)
TSNN通过解耦时间序列提升预测精度,采用非参数方法保持模型简洁,实验显示其在四个真实交通数据集上表现优异,且能可视化解耦过程和模型可解释性。
2026-05-09 cs.LG
BasisFormer: Attention-based Time Series Forecasting with Learnable and Interpretable Basis
Shanghai Jiao Tong University(上海交通大学);Ant Group(蚂蚁集团)
本文提出BasisFormer端到端预测架构,通过自监督对比学习获得可解释基,并以双向交叉注意力和预测模块整合基,在六个数据集上显著提升单、多变量时间序列预测性能。
2024-01-18 cs.LG
Multi-Stage Prototype Learning for Interpretable Time Series Classification
Department of Neurology, University of California, San Francisco(加州大学旧金山分校神经科部门);Department of Bioengineering and Therapeutic Sciences, University of California, San Francisco(加州大学旧金山分校生物工程与治疗科学部门);UCSF Weill Institute for Neurosciences(UCSF Weill神经科学研究所)
本文提出多阶段原型学习框架,通过显式层次化解释提升时间序列分类的可解释性,验证了在模拟和真实数据集上的性能。
2026-05-07 cs.LG
ConceptTS: LLM-Guided Concept Bottlenecks for Interpretable Multivariate Time-Series Forecasting
Stanford University(斯坦福大学);University of California, Davis(加州大学戴维斯分校)
ConceptTS是围绕人类可理解概念的可解释多变量时间序列预测框架,利用大语言模型生成概念与标注规则,在空气质量数据集上达到与黑箱基线相当的准确率,且决策过程可解释。
2026-08-24 cs.LG
Faithful and Interpretable Explanations for Complex Ensemble Time Series Forecasts using Surrogate Models and Forecastability Analysis
AWS Supply Chain(AWS供应链)
本文提出双方法框架,用LightGBM代理模型忠实解释AutoGluon集成时间序列预测,并结合频谱可预测性分析量化置信度,在M5数据集上验证了高忠实度与可预测性的关联。
2025-10-09 cs.LG
Multivariable times series classification through an interpretable representation
University of Granada(格拉纳达大学)
多变量时间序列分类是一项重要性日益增加的任务,由于在各个领域(经济,卫生,能源,交通,作物等)的新问题的扩散。其中大量的信息源是可用的。传统上在单变量环境中工作的方法的直接外推不能经常应用于多变量问题中以获得最佳结果。这主要是由于这些方法无法捕捉符合多元时间序列的不同变量之间的关系。迄今为止发布的多元提案提供了有竞争力的结果,但很难解释。在本文中,我们提出了一种时间序列分类方法,考虑到一个多变量时间序列的不同变量之间的关系,通过一组描述性的功能,考虑到时间序列的替代表示。我们采用传统的分类算法,获得可解释的和有竞争力的结果。
2020-09-08 cs.LG stat.ML
Learning Interpretable Differentiable Logic Networks for Time-Series Classification
Department of Electrical and Computer Engineering, Princeton University(普林斯顿大学电气与计算机工程系)
首次将兼具准确性、可解释性和计算效率的可微分逻辑网络(DLNs)应用于单变量时间序列分类,通过Catch22和TSFresh特征表示转换序列,整合训练配置到超参数搜索空间,在51个基准上验证其核心优势。
2026-10-06 cs.LG
TSKAN: Interpretable Machine Learning for QoE modeling over Time Series Data
提出TSKAN,结合Kolmogorov-Arnold网络与频域特征,在时间序列数据上实现可解释的QoE建模,提升预测精度并保持模型透明性。
2025-09-24 cs.LG cs.NI
Interpretable Super-Resolution via a Learned Time-Series Representation
Rice University(莱斯大学);Univ. Toulon(土伦大学);Aix Marseille Univ.(艾克斯-马赛大学);CNRS(法国国家科学研究中心)
我们开发了一个可解释和可学习的Wigner-Ville分布,它可以产生用于时间序列分析的超分辨二次信号表示。我们的方法有两个主要特点。首先,它在已知的时间-频率表示(TFR)之间进行插值,因为它可以达到超分辨率,时间和频率分辨率增加,超出海森堡不确定性原理规定的范围,从而超出常用的TFR,其次,由于Wigner-Ville分布的明确的低维和物理参数化,它是可解释的。我们证明了我们的方法能够学习高度适应的TFR,并且已经准备好并且能够处理各种大规模的分类任务,与基线和学习的TFR相比,我们达到了最先进的性能。
2020-06-13 cs.LG eess.SP
DecoVAE: a Lightweight Interpretable Trend-Seasonal VAE Framework for Efficient Probabilistic Time Series Forecasting
Applied AI Institute(应用人工智能研究所)
DecoVAE是一种轻量级可解释的趋势-季节VAE框架,通过分解时间序列的趋势与季节组件解决概率时间序列预测的局限,在7个真实基准上精度优于基线且效率显著提升。
2026-09-28 cs.LG
Learning Interpretable Shapelets for Time Series Classification through Adversarial Regularization
Univ Rennes(雷恩大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);IRISA(雷恩信息与随机系统研究所);Laboratoire Hubert Curien UMR 5516(于贝尔·居里安实验室 UMR 5516);Univ Lyon(里昂大学);LETG(环境时空地理学实验室)
时间序列分类可以通过联合学习数据集中序列的基于shapelet的表示并根据此表示对序列进行分类来成功解决。然而,尽管学习的形状是有区别的,但它们并不总是与数据集中的真实序列相似。这使得难以解释决策,即难以分析是否存在触发决策的系列中的特定行为。在本文中,我们使用一个简单的卷积网络来处理时间序列分类任务,并引入了一个对抗性正则化来约束模型学习更多可解释的形状。我们对所有常见的时间序列基准的分类结果与类似的最先进的算法获得的结果相当,但我们的逆向正则化方法学习的形状,通过设计,可解释。
2019-06-12 cs.AI cs.LG stat.ML
Neuro-symbolic Models for Interpretable Time Series Classification using Temporal Logic Description
Rensselaer Polytechnic Institute(伦斯勒理工学院);IBM T.J. Watson Research Center(IBM托马斯·J·沃森研究中心);IBM Research(IBM研究院)
现有的时间序列分类模型大多缺乏可解释性,难以检验。可解释的机器学习模型可以帮助发现数据中的模式,并为领域专家提供易于理解的见解。在这项研究中,我们提出了神经符号时间序列分类(NSTSC),一个神经符号模型,利用信号时序逻辑(STL)和神经网络(NN)完成TSC任务,使用多视图数据表示,并表示该模型作为一个人类可读的,可解释的公式。在NSTSC中,每个神经元都链接到一个符号表达式,即,STL(sub)公式。因此,NSTSC的输出可以解释为类似于自然语言的STL公式,描述隐藏在数据中的时间和逻辑关系。我们提出了一个基于NSTSC的分类器,采用决策树的方法来学习公式结构,完成多类TSC任务。所提出的wSTL平滑激活函数允许以端到端的方式学习模型。我们在来自小鼠的真实伤口愈合数据集和来自UCR时间序列库的基准数据集上测试NSTSC,证明NSTSC实现了与最先进模型相当的性能。此外,NSTSC可以生成与领域知识相匹配的可解释公式。
2022-09-15 cs.AI cs.LG
Extracting Interpretable Local and Global Representations from Attention on Time Series
Osnabrück University(奥斯纳布吕克大学);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI))
该研究针对时间序列场景下基于Transformer注意力的两类可解释性方法,构建综合框架并通过UCR UEA单变量数据集实验验证,在保持基线性能的同时显著提升了可理解度/复杂度,为方法应用提供指导。
2023-09-16 cs.LG
A Time-Aware Bag-of-Receptive-Fields for Interpretable Irregular Time Series Classification
University of Pisa(比萨大学);ISTI-CNR(意大利国家研究委员会信息科学与技术研究所)
本研究扩展BORF至不规则时间序列,提出时间加权归一化方案,保持线性复杂度,在PYRREGULAR数据集上达到竞争性能并提供可解释性。
2026-10-01 cs.AI cs.LG
PatchX: Explaining Deep Models by Intelligible Pattern Patches for Time-series Classification
Technische Universität Kaiserslautern(凯泽斯劳滕工业大学);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI))
时间序列数据的分类是流数据的关键,也带来了许多挑战。尽管公开可用的数据集数量迅速增加,但深度神经模型仅在少数领域得到利用。与深度神经模型相比,传统方法仍然经常使用。这些方法由于其可解释的结果而在安全关键,金融或医疗领域中受到青睐。然而,它们的性能和扩展能力是有限的,并且由于数字时间序列数据中隐藏的概念,为时间序列分类任务找到合适的解释是具有挑战性的。可视化完整的时间序列会导致我们对感知的认知过载,并导致混乱。因此,我们认为,分批处理的数据结果在一个更可解释的表示。我们提出了一种新的混合方法,该方法利用深度神经网络和传统的机器学习算法来引入可解释和可扩展的时间序列分类方法。我们的方法首先进行细粒度的分类,其次是样本级分类的补丁。
2021-02-11 cs.LG
An Interpretable Generative Framework for Anomaly Detection in High-Dimensional Financial Time Series
Department of Information Systems & Analytics(信息系统与分析系);Farmer School of Business(农民商学院)
ReGEN-TAD通过结合现代机器学习与经济计量诊断,提出了一种可解释的生成框架,用于高维金融时间序列中的异常检测,提升了鲁棒性和经济一致性。
2026-03-09 cs.LG stat.ML
N-BEATS: Neural basis expansion analysis for interpretable time series forecasting
Element AI(元素人工智能公司);Mila(米拉人工智能研究所)
我们专注于使用深度学习解决单变量时间序列点预测问题。我们提出了一种基于向后和向前残差链接的深度神经架构,以及一个非常深的全连接层堆栈。该体系结构具有许多理想的属性,是可解释的,适用于广泛的目标域,无需修改,快速训练。我们测试了几个著名的数据集,包括M3,M4和TOURISM竞争数据集包含来自不同领域的时间序列的建议架构。我们为所有数据集展示了N-BEATS两种配置的最新性能,将预测准确性提高了11%,比去年的M4竞赛冠军提高了3%,M4竞赛是神经网络和统计时间序列模型之间的领域调整手工制作的混合体。我们模型的第一种配置不使用任何时间序列特定的组件,其在异构数据集上的性能强烈表明,与公认的智慧相反,深度学习原语(如残差块)本身足以解决广泛的预测问题。最后,我们演示了如何增强所提出的体系结构,以提供可解释的输出,而不会在准确性上造成相当大的损失。
2020-02-20 cs.LG stat.ML
Guided by Stars: Interpretable Concept Learning Over Time Series via Temporal Logic Semantics
Università degli Studi di Trieste(特里埃斯特大学)
本文提出神经符号框架STELLE,通过将时间序列嵌入时序逻辑概念空间,在分类的同时提供局部与全局可解释性,并在多个基准上验证了其准确性与解释的忠实性。
2025-11-06 cs.LG
ShapeWordNet: An Interpretable Shapelet Neural Network for Physiological Signal Classification
University of Science and Technology of China(中国科学技术大学);Tsinghua University(清华大学)
生理信号是一种高维时间序列,在医疗保健领域具有重要的应用价值。然而,以前的工作,其分类未能获得有希望的结果,由于棘手的数据特性和严重的标签稀疏性问题。在本文中,我们试图解决这些挑战,提出了一个更有效的和可解释的计划,为生理信号分类任务。具体来说,我们利用时间序列的形状来提取突出的局部模式,并进行可解释的序列离散化,以提取整个序列的信息。通过这样做,长且连续的原始信号被压缩成短且离散的令牌序列,其中局部模式和全局上下文都被很好地保留。此外,为了解决标签稀疏问题,自适应地设计了多尺度变换策略来扩充数据,并相应地设计了跨尺度对比学习机制来指导模型训练.我们将我们的方法命名为ShapeWordNet,并在三个真实世界的数据集上进行了广泛的实验,以研究其有效性。比较结果表明,我们提出的方案显着优于四类尖端方法。可视化分析进一步证明了基于Shapard的序列离散化思想的良好可解释性。
2023-02-10 cs.LG
Exploring Kolmogorov-Arnold Networks for Interpretable Time Series Classification
Department of Communication Systems, Jo z ef Stefan Institute Jamova ulica 39, 1000 Ljubljana, Slovenia
本文利用UCR基准的117个数据集,全面探索了Kolmogorov-Arnold网络(KAN)在时间序列分类中的表现,发现Efficient KAN在性能、训练速度和稳定性上优于MLP,并兼顾了高准确率与透明可解释性。
2025-11-01 cs.LG
Toward Interpretable Evaluation Measures for Time Series Segmentation
Inria(法国国家信息与自动化技术研究所);ENS(巴黎高等师范学校);CNRS(法国国家科学研究中心);PSL Paris(巴黎政治学院)
针对现有时间序列分割评估度量忽视分割质量且可解释性差的问题,本文提出WARI和SMS两种新度量,分别考虑误差位置和细粒度误差类型,并在合成及真实基准上验证其更准确且能揭示误差来源。
2025-10-27 cs.LG
Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting
Australian Artificial Intelligence Institute, University of Technology Sydney(悉尼科技大学澳大利亚人工智能研究所);Southern University of Science and Technology(南方科技大学);University of California, Los Angeles(加州大学洛杉矶分校);University of Tokyo(东京大学);University of New South Wales(新南威尔士大学);Tencent WXG(腾讯微信事业群);Agency for Science, Technology and Research (A*STAR)(新加坡科技研究局)
本文针对多元时间序列预测中复杂时空模式建模的核心问题,提出了一种自适应、可解释且可扩展的预测框架SCNN,通过预定义生成过程将数据解耦为结构化异构组件并分别外推,在三个真实数据集上优于现有模型。
2024-02-15 cs.LG
EAMDrift: An interpretable self retrain model for time series
NOVA School of Science and Technology(NOVA科学与技术学院);Novobanco(新银行)
本文提出 EAMDrift 方法,通过性能加权组合多个预测器并借助可解释规则和自动再训练机制适应分布外模式,在真实数据集上比基线模型提升 20% 且达到与不可解释集成模型相当的精度。
2023-05-31 cs.LG stat.ML
SOM-VAE: Interpretable Discrete Representation Learning on Time Series
ETH Zürich(苏黎世联邦理工学院);University College London(伦敦大学学院)
高维时间序列在很多领域都很常见。由于人类的认知并没有被优化到在高维空间中很好地工作,这些领域可以从可解释的低维表示中受益。然而,大多数时间序列数据的表示学习算法很难解释。这是由于从数据特征到表示的显着属性的非直观映射以及随时间的非平滑性。为了解决这个问题,我们提出了一个新的表示学习框架,该框架基于可解释离散降维和深度生成建模的思想。这个框架使我们能够学习时间序列的离散表示,从而产生具有卓越聚类性能的平滑和可解释的嵌入。我们引入了一种新的方法来克服离散表示学习中的不可微性,并提出了一个基于梯度的版本的传统自组织映射算法,比原来的性能更好。此外,为了允许我们的方法的概率解释,我们在表示空间中集成了马尔可夫模型。该模型揭示了时间转换结构,进一步提高了聚类性能,并提供了额外的解释性见解以及不确定性的自然表示。我们评估我们的模型在静态(时尚)MNIST数据的聚类性能和可解释性,线性插值(时尚)MNIST图像的时间序列,具有两个宏观状态的混沌Lorenz吸引子系统,以及具有挑战性的现实世界的医疗时间序列应用程序的eICU数据集。我们学到的表示与竞争对手的方法相比毫不逊色,并促进了现实世界数据的下游任务。
2019-01-04 cs.LG stat.ML
Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting
University of Oxford(牛津大学);Google Cloud AI Research(谷歌云人工智能研究院);Google Cloud AI(谷歌云人工智能)
多视野预测问题通常包含复杂的输入组合-包括静态(即时不变)协变量,已知的未来输入,以及其他仅在历史上观察到的外生时间序列-没有任何关于它们如何与目标相互作用的先验信息。虽然已经提出了几种用于多步预测的深度学习模型,但它们通常包括黑盒模型,这些模型不能考虑常见场景中存在的全部输入。在本文中,我们介绍了时间融合Transformer(TFT)-一种新的基于注意力的架构,它结合了高性能的多水平预测与时间动态的可解释的见解。为了学习不同尺度下的时间关系,TFT利用递归层进行本地处理,并利用可解释的自我注意层来学习长期依赖关系。TFT还使用专门的组件来明智地选择相关功能,并使用一系列选通层来抑制不必要的组件,从而在广泛的范围内实现高性能。在各种真实世界的数据集上,我们展示了与现有基准相比的显着性能改进,并展示了TFT的三个实际可解释性用例。
2020-09-27 cs.LG stat.ML
Fast, Accurate and Interpretable Time Series Classification Through Randomization
RMIT University(皇家墨尔本理工大学);The University of Melbourne(墨尔本大学)
时间序列分类(TSC)旨在预测给定时间序列的类别标签,这对于经济学和医学等丰富的应用领域至关重要。最先进的TSC方法主要集中在分类准确性和效率上,而不考虑其分类的可解释性,这是现代应用(例如电器建模)和立法(例如欧洲通用数据保护条例)所要求的重要属性。为了解决这个问题,我们提出了一种新的TSC方法-随机监督时间序列森林(r-STSF)。r-STSF是高效的,达到了最先进的分类精度,并实现了可解释性。r-STSF采用一种有效的基于区间的方法,根据判别子序列(区间)的聚合值对时间序列进行分类。为了达到最先进的精度,r-STSF使用判别子序列构建随机树的集合。它使用四个时间序列表示,九个聚合函数和一个监督的二进制启发搜索结合特征排名指标,以确定高度歧视性的子系列。歧视性的子系列有助于进行可解释的分类。在大量数据集上的实验表明,r-STSF达到了最先进的精度,同时比大多数现有的TSC方法快了几个数量级。它是唯一的分类器从国家的最先进的组,使解释性。我们的研究结果还强调,r-STSF是分类复杂时间序列数据集时最好的TSC方法。
2021-05-31 cs.LG stat.ML
EVIL: Evolving Interpretable Algorithms for Zero-Shot Inference on Event Sequences and Time Series with LLMs
Lamarr Institute(拉马尔研究所);Fraunhofer IAIS(弗劳恩霍夫人工智能研究所)
EVIL通过LLM引导的进化搜索发现简单可解释的算法,用于动态系统推断,无需训练神经网络,能在多个任务中实现跨数据集泛化。
2026-04-17 cs.AI cs.LG
iTFKAN: Interpretable Time Series Forecasting with Kolmogorov-Arnold Network
Hong Kong Polytechnic University(香港理工大学);Northwestern Polytechnical University(西北工业大学);Sun Yat-sen University(中山大学);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文提出可解释时间序列预测模型iTFKAN,通过模型符号化实现可解释性,并采用先验知识注入与时频协同学习策略处理复杂数据,在保持出色预测性能的同时提升模型可信度。
2025-08-08 cs.AI cs.LG
Interpretable Time Series Models for Wastewater Modeling in Combined Sewer Overflows
Berliner Hochschule für Technik(柏林工程应用技术大学);Einstein Center Digital Future(爱因斯坦数字未来中心)
针对暴雨导致污水溢出污染水体的问题,研究利用最先进的可解释时间序列模型预测临界水位点以实现溢出水量迅速重新分配,结果表明该模型有助于改善污水管理并防止环境污染。
2024-01-04 cs.AI cs.LG
PatchDecomp: Interpretable Patch-Based Time Series Forecasting
PatchDecomp是一种基于片段的时间序列预测方法,通过可解释的片段贡献实现高准确性和可解释性。
2026-03-04 cs.AI cs.LG
Abstracted Shapes as Tokens -- A Generalizable and Interpretable Model for Time-series Classification
Rensselaer Polytechnic Institute(伦斯勒理工学院);Stony Brook University(石溪大学);University of California, San Diego(加利福尼亚大学圣地亚哥分校);IBM Research(IBM研究院)
本文提出可解释预训练模型 VQShape,利用向量量化将跨域时间序列统一表示为抽象形状码,支持可解释分类并具备零样本跨域泛化能力。
2025-01-07 cs.LG stat.ML
Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting
AI Institute(人工智能研究院);Shanghai Jiao Tong University(上海交通大学)
概率时间序列预测是根据历史数据估计未来时间序列的分布,这对于下游决策中的风险管理至关重要。我们提出了一种用于概率时间序列预测的深层状态空间模型,其中非线性排放模型和过渡模型由网络参数化,相关性由递归神经网络建模。我们采取自动相关性确定(ARD)的观点,并设计了一个网络,利用外生变量,除了时间序列。特别是,我们的ARD网络可以结合外生变量的不确定性,并最终帮助识别有用的外生变量,并抑制那些与预测无关的外生变量。多步预测的分布近似的Monte Carlo模拟。我们在实验中表明,我们的模型产生准确和尖锐的概率预测。我们预测的估计不确定性也随着时间的推移以自发的方式实际增加。
2021-01-31 cs.LG stat.ML
Interpretable Time-series Classification on Few-shot Samples
University of Technology Sydney(悉尼科技大学)
最近的少样本学习工作专注于用先验元知识训练模型,以快速适应具有未知类和样本的新任务。然而,传统的时间序列分类算法无法解决的Few-Shot的情况。现有的少样本学习方法是针对图像或文本数据提出的,大多数是基于神经元的模型,缺乏可解释性。本文提出了一个可解释的基于神经的框架,即\textit{Dual Prototypical Shapelet Networks (DPSN)}的Few-Shot时间序列分类,它不仅训练一个神经网络为基础的模型,但也解释模型从双粒度:1)全局概述使用代表性的时间序列样本,2)局部亮点使用歧视性的形状。特别地,生成的双原型形状由代表性样本和判别性部分长度形状组成,代表性样本可以主要展示类中所有样本的整体形状,判别性部分长度形状可以用于区分不同的类。我们从公共基准数据集获得了18个Few-Shot TSC数据集,并通过与基线的比较来评估所提出的方法。DPSN框架的性能优于最先进的时间序列分类方法,特别是在使用有限的数据进行训练时。最后通过几个案例验证了模型的解释能力。
2020-07-02 cs.LG stat.ML
INSHAPE: Instance-Level Shapelets for Interpretable Time-Series Classification
Department of Artificial Intelligence, Korea University(韩国大学人工智能系)
本文提出INSHAPE框架,通过发现每个时间序列特有的变量长度判别性时间模式,解决传统方法在实例特定特征与整体模式不一致以及忽略时间依赖性的问题,从而提高时间序列分类的可解释性和预测性能。
2026-08-14 cs.AI cs.LG