TimeTuner: Diagnosing Time Representations for Time-Series Forecasting with Counterfactual Explanations

要約

ディープラーニング (DL) アプローチは時系列予測にますます使用されており、複雑な DL モデルの設計に多くの労力が費やされています。
最近の研究では、DL の成功は効果的なデータ表現に起因することが多く、特徴量エンジニアリングと表現学習の分野が促進されていることが示されています。
ただし、特徴学習の自動化されたアプローチは通常、事前知識の組み込み、変数間の交互作用の特定、モデルの信頼性を確保するための評価指標の選択に関して制限があります。
これらの制限を改善するために、この論文は新しいビジュアル分析フレームワーク、つまり TimeTuner を提供します。このフレームワークは、モデルの動作が局所的な相関、定常性、および時系列表現の粒度にどのように関連付けられているかを分析者が理解できるように設計されています。
このシステムは主に次の 2 段階の手法で構成されます。まず、反事実的な説明を活用して、時系列表現、多変量特徴、モデル予測の間の関係を結び付けます。
次に、パーティションベースの相関行列や並置された二変量ストライプなどの複数の調整されたビューを設計し、ユーザーが変換選択プロセスにステップインし、特徴空間を移動し、モデルのパフォーマンスを推論できるようにする一連のインタラクションを提供します。
スムージングとサンプリングの 2 つの変換方法を使用して TimeTuner をインスタンス化し、単変量黒点と多変量大気汚染物質の実世界の時系列予測への適用性を実証します。
ドメイン専門家からのフィードバックは、私たちのシステムが時系列表現を特徴づけ、特徴量エンジニアリング プロセスをガイドするのに役立つことを示しています。

要約(オリジナル)

Deep learning (DL) approaches are being increasingly used for time-series forecasting, with many efforts devoted to designing complex DL models. Recent studies have shown that the DL success is often attributed to effective data representations, fostering the fields of feature engineering and representation learning. However, automated approaches for feature learning are typically limited with respect to incorporating prior knowledge, identifying interactions among variables, and choosing evaluation metrics to ensure that the models are reliable. To improve on these limitations, this paper contributes a novel visual analytics framework, namely TimeTuner, designed to help analysts understand how model behaviors are associated with localized correlations, stationarity, and granularity of time-series representations. The system mainly consists of the following two-stage technique: We first leverage counterfactual explanations to connect the relationships among time-series representations, multivariate features and model predictions. Next, we design multiple coordinated views including a partition-based correlation matrix and juxtaposed bivariate stripes, and provide a set of interactions that allow users to step into the transformation selection process, navigate through the feature space, and reason the model performance. We instantiate TimeTuner with two transformation methods of smoothing and sampling, and demonstrate its applicability on real-world time-series forecasting of univariate sunspots and multivariate air pollutants. Feedback from domain experts indicates that our system can help characterize time-series representations and guide the feature engineering processes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google