.png){kind=icon}
返回
CNN-Based Interpretable Feature Extraction Methods Considering Pairwise Interactions
.png){kind=icon}
OA
AI
DOI：10.3390/s25185634.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种框架，该框架在提升多变量时间序列数据分类性能的同时，提供了对每个变量影响（包括交互效应）的客观评估。尽管卷积神经网络（CNNs）在分析多变量时间序列数据方面具有显著优势，但CNN的结构局限性限制了其检测统计交互效应的能力。我们的方法创新性地修改了卷积滤波器和层结构，实现了能够捕捉成对交互影响特征提取。这些提取的特征通过可解释模型进行处理以计算特征重要性，通过量化单个及成对变量效应实现深入的因果分析。此外，所提出的方法增强了多变量时间序列数据的整体分类性能。合成数据实验验证了所提出的方法有效提取了能够解释成对交互的相关特征。此外，在真实数据的多变量时间序列分类实验中，所提出的方法相较于基线方法表现出更优的性能。这些结果表明，所提出的方法是针对变量交互作用起决定性作用的领域（如医疗保健、金融和制造业）中多变量时间序列分类任务的实用且可解释的解决方案。
期刊
暂无期刊信息
机构
引用论文
Yazdanbakhsh, O.; Dick, S. Multivariate time series classification using dilated convolutional neural network. arXiv 2019, arXiv:1905.01697. [Google Scholar] [CrossRef]Yazdanbakhsh, O.; Dick, S. 使用扩张卷积神经网络进行多元时间序列分类。arXiv 2019, arXiv:1905.01697. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Multi-head CNN-RNN for multi-time series anomaly detection: An industrial case study用于多时间序列异常检测的多头cnn-rnn: 一个工业案例研究NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI可解释人工智能 (XAI): 负责任人工智能的概念、分类、机遇和挑战INFORMATION FUSIONOAAI
INFORMATION FUSIONIF15.5
OAAI分享收藏Palumbo, F.; Gallicchio, C.; Pucci, R.; Micheli, A. Activity Recognition System Based on Multisensor Data Fusion (AReM); UCI Machine Learning Repository: Irvine, CA, USA, 2016. [Google Scholar] [CrossRef]Palumbo, F.; Gallicchio, C.; Pucci, R.; Micheli, A. 基于多传感器数据融合的活动识别系统（AReM）; UCI机器学习仓库：加利福尼亚州尔湾市，美国，2016。[Google Scholar][CrossRef]
IF0
PREAI
分享收藏
查看更多内容