FLEXtime: Filterbank learning to explain time series

要約

時系列からの予測を説明するための最先端の手法では、各時間ステップについてインスタンス単位の顕著性マスクを学習する。しかし、多くのタイプの時系列は、データの本質的に複雑な性質のため、時間領域で解釈することが難しい。その代わりに、我々は、信号分解に関する確立された信号処理手法を援用し、時系列の説明可能性を、解釈可能な部分に対する顕著性マップとして捉えることを提案する。具体的には、時系列を周波数帯域に分割するためにバンドパスフィルターのバンクを使用するFLEXtimeと呼ばれる新しい手法を提案する。そして、モデルの予測を最適に説明するこれらの帯域の組み合わせを学習する。我々の広範な評価により、FLEXtimeは様々なデータセットにおいて、平均して最先端の説明可能性手法を凌駕することが示された。FLEXtimeは、現在の時系列説明可能性手法における重要なギャップを埋めるものであり、EEGやオーディオのような幅広い時系列にとって価値のあるツールである。コードはhttps://github.com/theabrusch/FLEXtime。

要約(オリジナル)

State-of-the-art methods for explaining predictions from time series involve learning an instance-wise saliency mask for each time step; however, many types of time series are difficult to interpret in the time domain, due to the inherently complex nature of the data. Instead, we propose to view time series explainability as saliency maps over interpretable parts, leaning on established signal processing methodology on signal decomposition. Specifically, we propose a new method called FLEXtime that uses a bank of bandpass filters to split the time series into frequency bands. Then, we learn the combination of these bands that optimally explains the model’s prediction. Our extensive evaluation shows that, on average, FLEXtime outperforms state-of-the-art explainability methods across a range of datasets. FLEXtime fills an important gap in the current time series explainability methodology and is a valuable tool for a wide range of time series such as EEG and audio. Code will be made available at https://github.com/theabrusch/FLEXtime.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL