Inherently Interpretable Time Series Classification via Multiple Instance Learning

要約

従来の時系列分類 (TSC) 手法は、意思決定プロセスの固有の解釈を曖昧にするブラック ボックスであることがよくあります。
この研究では、複数インスタンス学習 (MIL) を活用してこの問題を克服し、MILLET (局所的に説明可能な時系列分類のための複数インスタンス学習) と呼ばれる新しいフレームワークを提案します。
既存の深層学習 TSC モデルに MILLET を適用し、予測パフォーマンスを損なうことなく (場合によっては改善することさえ) どのようにモデルが本質的に解釈可能になるかを示します。
我々は 85 個の UCR TSC データセットで MILLET を評価し、解釈可能性の評価を容易にするために特別に設計された新しい合成データセットも提示します。
これらのデータセットでは、MILLET が他のよく知られた解釈可能性手法よりも高品質なまばらな説明を迅速に生成することを示します。
私たちの知る限り、GitHub (https://github.com/JAEarly/MILTimeSeriesClassification) で入手可能な MILLET との共同作業は、TSC 用の一般的な MIL メソッドを開発し、それを広範なドメインに適用した最初のものです。

要約(オリジナル)

Conventional Time Series Classification (TSC) methods are often black boxes that obscure inherent interpretation of their decision-making processes. In this work, we leverage Multiple Instance Learning (MIL) to overcome this issue, and propose a new framework called MILLET: Multiple Instance Learning for Locally Explainable Time series classification. We apply MILLET to existing deep learning TSC models and show how they become inherently interpretable without compromising (and in some cases, even improving) predictive performance. We evaluate MILLET on 85 UCR TSC datasets and also present a novel synthetic dataset that is specially designed to facilitate interpretability evaluation. On these datasets, we show MILLET produces sparse explanations quickly that are of higher quality than other well-known interpretability methods. To the best of our knowledge, our work with MILLET, which is available on GitHub (https://github.com/JAEarly/MILTimeSeriesClassification), is the first to develop general MIL methods for TSC and apply them to an extensive variety of domains

arxiv情報

提供元, 利用サービス

arxiv.jp, Google