【ICML2024】TIMEX++: 通过信息瓶颈学习时间序列解释

解释作用于时间序列数据的深度学习模型在许多需要从时间序列信号中获取可解释和透明洞察的应用中至关重要。在这项工作中，我们从信息论的角度研究了这个问题，并表明现有的大多数可解释性度量可能会遭遇琐碎解和分布偏移问题。为了解决这些问题，我们引入了一个简单而实用的目标函数用于时间序列可解释学习。该目标函数的设计基于信息瓶颈（IB）原理，并修改了IB目标函数以避免琐碎解和分布偏移问题。 我们进一步提出了TIMEX++，一个新颖的解释框架，利用参数化网络生成嵌入解释的实例，这些实例既是分布内的，又保留标签。我们在合成和真实世界的数据集上评估了TIMEX++，并将其性能与领先的基线方法进行了比较，通过实际案例研究验证了其在真实环境应用中的有效性。定量和定性评估表明，TIMEX++在所有数据集上均优于基线方法，在时间序列数据的解释质量上有显著提升。源代码可在https://github.com/zichuan-liu/TimeXplusplus找到。