TimeX++: Learning Time-Series Explanations with Information Bottleneck

要約

時系列データ上で動作する深層学習モデルを説明することは、時系列信号から解釈可能で透明性のある洞察を必要とする、対象となるさまざまなアプリケーションにおいて非常に重要です。
この研究では、情報理論の観点からこの問題を調査し、説明可能性の既存の尺度のほとんどが自明な解決策と分布シフトの問題に悩まされる可能性があることを示します。
これらの問題に対処するために、時系列説明可能な学習のためのシンプルかつ実用的な目的関数を導入します。
目的関数の設計は、情報ボトルネック (IB) の原理に基づいて構築されており、単純な解決策や分布シフトの問題を回避するために IB 目的関数を変更します。
さらに、パラメトリック ネットワークを活用して、分散型でラベルを保持する説明埋め込みインスタンスを生成する新しい説明フレームワークである TimeX++ を紹介します。
私たちは合成データセットと実世界のデータセットの両方で TimeX++ を評価し、そのパフォーマンスを主要なベースラインと比較し、実世界の環境アプリケーションでのケーススタディを通じてその実用的な有効性を検証します。
定量的および定性的評価では、TimeX++ がすべてのデータセットにわたってベースラインを上回り、時系列データの説明品質が大幅に向上していることが示されています。
ソース コードは \url{https://github.com/zichuan-liu/TimeXplusplus} で入手できます。

要約(オリジナル)

Explaining deep learning models operating on time series data is crucial in various applications of interest which require interpretable and transparent insights from time series signals. In this work, we investigate this problem from an information theoretic perspective and show that most existing measures of explainability may suffer from trivial solutions and distributional shift issues. To address these issues, we introduce a simple yet practical objective function for time series explainable learning. The design of the objective function builds upon the principle of information bottleneck (IB), and modifies the IB objective function to avoid trivial solutions and distributional shift issues. We further present TimeX++, a novel explanation framework that leverages a parametric network to produce explanation-embedded instances that are both in-distributed and label-preserving. We evaluate TimeX++ on both synthetic and real-world datasets comparing its performance against leading baselines, and validate its practical efficacy through case studies in a real-world environmental application. Quantitative and qualitative evaluations show that TimeX++ outperforms baselines across all datasets, demonstrating a substantial improvement in explanation quality for time series data. The source code is available at \url{https://github.com/zichuan-liu/TimeXplusplus}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google