.png){kind=icon}
返回
TF-LIME : Interpretation Method for Time-Series Models Based on Time-Frequency Features
.png){kind=icon}
OA
AI
DOI：10.3390/s25092845.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着机器学习技术在时间序列分析中的广泛应用，基于时间序列数据训练的模型的可解释性日益受到关注。现有的大部分解释方法基于时域特征，难以揭示复杂模型如何聚焦于时频信息。为解决这一问题，本文提出了一种基于时频域的时间序列解释方法，旨在增强模型在时频域的可解释性。该方法通过结合短时傅里叶变换（STFT）、逆短时傅里叶变换（ISTFT）和局部可解释模型无关解释（LIME）的思想扩展了传统LIME算法，并引入了自设计的TFHS（时频同质分割）算法。TFHS算法通过峰检测和聚类分析实现时频矩阵的精确同质分割，同时融入了信号在频率和时间维度上的分布特征。实验验证了TFHS算法在Synthetic Dataset 1上的有效性，以及TF-LIME算法在Synthetic Dataset 2上的有效性，并进一步在MIT-BIH数据集上评估了其可解释性性能。结果表明，所提出的方法显著提升了时间序列模型在时频域的可解释性，展现出较强的泛化能力和良好的应用前景。
Keyword:
time series data
explainability
time-frequency domain
LIME
feature attribution methods
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
暂无机构信息
引用论文
Differentiable Adaptive Short-Time Fourier Transform with Respect to the Window Length可微的自适应短时傅里叶变换（STFT）关于窗长.png)
ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)OAAI
ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
OAAI分享收藏"Why Should I Trust You?"“我为什么要相信你？”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
分享收藏分享收藏分享收藏On Pixel-Wise Explanations for Non-Linear Classifier Decisions by Layer-Wise Relevance Propagation通过逐层相关性传播对非线性分类器决策的逐像素解释PLOS ONE
OAAI
PLOS ONEIF0
OAAI分享收藏Limitations of sensitivity analysis for neural networks in cases with dependent inputs神经网络在具有相关输入情况下的敏感性分析局限性
PREAI
分享收藏
查看更多内容