Explainable Adaptive Tree-based Model Selection for Time Series Forecasting

要約

ツリーベースのモデルは、時系列予測を含むさまざまなタスクに適用されて成功しています。
これらは、比較的高いレベルの解釈可能性があるため、ますます需要が高まっており、広く受け入れられています。
ただし、それらの多くは過剰適合の問題に悩まされており、現実世界の意思決定への適用が制限されています。
この問題は、時系列観測値が段階的に取得され、観測値の抽出元となる分布が時間の経過とともに変化し続ける可能性があるオンライン予測設定ではさらに深刻になります。
これに関連して、時系列予測タスクにおいて TreeSHAP 説明可能性手法を使用して、ツリーベースのモデルをオンラインで選択するための新しい方法を提案します。
さまざまなツリーベースのモデルの任意のセットから始めます。
次に、TreeSHAP が入力時系列のさまざまな領域にわたってツリーベースの予測を専門化できるようにするために、一貫した設計を備えたパフォーマンスベースのランキングの概要を説明します。
このフレームワークでは、時系列のドリフト検出に適応して、適切なモデル選択がオンラインで実行されます。
さらに、説明可能性は、オンライン入力の重要性、モデルの選択、モデルの出力の説明という 3 つのレベルでサポートされます。
現実世界のさまざまなデータセットに関する広範な実証研究により、私たちの手法が最先端のアプローチやいくつかのベースラインと比較して優れた、または同等の結果を達成できることが実証されています。

要約(オリジナル)

Tree-based models have been successfully applied to a wide variety of tasks, including time series forecasting. They are increasingly in demand and widely accepted because of their comparatively high level of interpretability. However, many of them suffer from the overfitting problem, which limits their application in real-world decision-making. This problem becomes even more severe in online-forecasting settings where time series observations are incrementally acquired, and the distributions from which they are drawn may keep changing over time. In this context, we propose a novel method for the online selection of tree-based models using the TreeSHAP explainability method in the task of time series forecasting. We start with an arbitrary set of different tree-based models. Then, we outline a performance-based ranking with a coherent design to make TreeSHAP able to specialize the tree-based forecasters across different regions in the input time series. In this framework, adequate model selection is performed online, adaptively following drift detection in the time series. In addition, explainability is supported on three levels, namely online input importance, model selection, and model output explanation. An extensive empirical study on various real-world datasets demonstrates that our method achieves excellent or on-par results in comparison to the state-of-the-art approaches as well as several baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google