.png){kind=icon}
返回
Unified time series classification framework for explainable artificial intelligence
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-49467-2.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习（ML）模型的日益复杂性使其决策过程变得日益不透明，这在信任、透明度和可问责性至关重要的高风险领域构成了严峻挑战。尽管可解释人工智能（XAI）技术试图缓解这一问题，但由于时间序列数据本身具有序列性、动态性和上下文依赖性结构，大多数现有方法在应用于此类数据时表现出重要局限性。本研究中，我们引入了统一时间序列分类框架下的可解释人工智能（UTS-XAI），该框架将标准分类流程与全面的时间感知XAI评估指标（如保真度、鲁棒性、敏感性、稳定性和定位能力）相结合。该框架支持多种解释方法，如SHAP、LIME和显著性图，并利用针对时序数据重新诠释的常用XAI指标（保真度、鲁棒性、敏感性和稳定性）实现系统性比较。我们进一步提出全局可解释聚类（GIC）技术，用于评估不同解释器和模型架构下特征归因的一致性。在MIT-BIH、SVDB和INCART数据集上的实验表明，DeepConvLSTM达到了稳健的基线性能，在外部INCART测试集上保持93.5%的F1分数。我们的定量分析显示，全局一致的方法（如SHAP）显著优于局部化技术（如LIME和显著性图）。SHAP表现出极高的保真度；去除其识别的前10%特征后，模型的真正阳性检测率从>85%骤降至<27%。此外，SHAP在多样化深度架构下提供高度稳定的解释（动态时间规整距离中位数1.5），并在噪声下保持优异的结构鲁棒性（SSIM 0.95）。总体而言，我们的发现表明，在时间序列建模中，仅凭准确率不足以替代稳健可靠的解释性。通过在整个模型开发生命周期中嵌入可解释性，UTS-XAI为时序数据分析中的可解释、透明和可信AI奠定了统一基础。
Keyword:
Explainable Artificial Intelligence
Time series classification
Model interpretability
SHAP
XAI metrics
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
