Improving the Evaluation and Actionability of Explanation Methods for Multivariate Time Series Classification

要約

多変量時系列分類 (MTSC) の説明は、研究が進められている重要なトピックです。
定量的な評価方法論は非常に少なく、時系列データに関する特定の計算タスクを客観的に改善する説明方法が示されている実用的な説明の例はさらに少ない。
この論文では、MTSC に適用されるアトリビューション手法の最近の評価手法である InterpretTime の分析に焦点を当てます。
元の方法論の重大な弱点をいくつか示し、その精度と効率性の両方を向上させるアイデアを提案します。
関連する作業とは異なり、MTSC でのチャネル選択のタスクに最適な帰属方法を使用することで、評価を超えて、作成された説明者のランキングの実用性も示します。
SHAP や特徴アブレーションなどの摂動ベースの手法は、データセット、分類器、タスクのセット全体でうまく機能し、勾配ベースの手法よりも優れたパフォーマンスを発揮することがわかりました。
最高ランクのエクスプローラーを MTSC のチャネル選択に適用し、大幅なデータ サイズの削減と分類器の精度の向上を示します。

要約(オリジナル)

Explanation for Multivariate Time Series Classification (MTSC) is an important topic that is under explored. There are very few quantitative evaluation methodologies and even fewer examples of actionable explanation, where the explanation methods are shown to objectively improve specific computational tasks on time series data. In this paper we focus on analyzing InterpretTime, a recent evaluation methodology for attribution methods applied to MTSC. We showcase some significant weaknesses of the original methodology and propose ideas to improve both its accuracy and efficiency. Unlike related work, we go beyond evaluation and also showcase the actionability of the produced explainer ranking, by using the best attribution methods for the task of channel selection in MTSC. We find that perturbation-based methods such as SHAP and Feature Ablation work well across a set of datasets, classifiers and tasks and outperform gradient-based methods. We apply the best ranked explainers to channel selection for MTSC and show significant data size reduction and improved classifier accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google