.png){kind=icon}
返回
An end-to-end explainability framework for spatio-temporal predictive modeling
.png){kind=icon}
OA
AI
DOI：10.1007/s10994-024-06733-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着在以传感器数据为特征的真实世界应用中越来越多地采用AI模型，迫切需要推理解释机制来支持领域专家做出明智决策。可解释AI（XAI）为扩展具有此类推理解释能力的黑箱深度学习模型提供了新的机会。然而，针对表格、图像和图数据的现有XAI方法在空间-时间数据背景下是无效的。在本文中，我们通过提出一种专门针对传感器网络中空间-时间数据的XAI方法来填补这一空白，其中观测数据是在固定时间间隔和不同位置收集的。我们针对深度学习模型的模型无关掩码元优化方法能够揭示影响模型预测的全局显著因素，并生成考虑多种分析视图（如特征、时间步和节点位置）的解释。我们使用真实世界预测数据集进行的定性和定量实验表明，我们的方法能够有效提取模型预测的解释，并且与最先进的方法具有竞争力。
Keyword:
Explainable AI
Deep learning
Graph data
Time series
Sensor networks.
期刊
IF:
2.9
论文数:
2.7K
被引数:
3.4W
机构
引用论文
"Why Should I Trust You?"“我为什么要相信你？”.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏Explainable district heat load forecasting with active deep learning基于主动深度学习的可解释区域热负荷预测APPLIED ENERGY
OAAI
APPLIED ENERGYIF11
OAAI分享收藏分享收藏Multi-hour and multi-site air quality index forecasting in Beijing using CNN, LSTM, CNN-LSTM, and spatiotemporal clustering基于CNN，LSTM，cnn-lstm和时空聚类的北京多小时多站点空气质量指数预测
PREAI
分享收藏Explainable Artificial Intelligence (XAI) 2.0: A manifesto of open challenges and interdisciplinary research directions可解释人工智能 (XAI) 2.0: 开放挑战和跨学科研究方向的宣言INFORMATION FUSIONOAAI
INFORMATION FUSIONIF15.5
OAAI分享收藏Scalable Forecasting in Sensor Networks with Graph Convolutional LSTM Models基于图卷积LSTM模型的传感器网络可扩展预测
PREAI
分享收藏
查看更多内容