.png){kind=icon}
返回
Interpretable Sequence Classification via Decision Set
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2026.3665720.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
序列分类是数据挖掘和机器学习中的基本研究问题。然而，现有的序列分类方法主要关注提高预测性能。尽管少数方法试图增强可解释性，但它们往往无法提供直观的模型解释，并且伴随着高昂的计算成本。为填补这一空白，我们提出了一种基于决策集的可解释序列分类算法。决策集中的每条规则仅与一个判别模式（子序列）相关联，分类决策基于最佳匹配规则做出。因此，所提出的方法具有良好的可解释性，因为分类决策完全由一条简单直观的规则决定。在真实数据集上的实验结果表明，我们的算法在可解释性和分类精度方面均优于当前最先进可解释序列分类方法。
Keyword:
Sequence classification
decision set
interpretable classification
sequential pattern mining
期刊
IF:
10.4
论文数:
6.8K
被引数:
3.2W
机构
引用论文
SemEval-2019 Task 5: Multilingual Detection of Hate Speech Against Immigrants and Women in Twitter
OAAI
OAAI分享收藏Interpretable machine learning: Fundamental principles and 10 grand challenges可解释的机器学习: 基本原则和十大挑战.png)
STATISTICS SURVEYSOAAI
STATISTICS SURVEYSIF15.4
OAAI分享收藏Interpretable and Steerable Sequence Learning via PrototypesProceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏Explainable AI for Time Series Classification: A Review, Taxonomy and Research Directions用于时间序列分类的可解释AI: 回顾，分类和研究方向IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏分享收藏
查看更多内容