L2GTX: ローカルからグローバルな時系列説明へ

要約: ディープラーニングモデルは時系列分類において高い精度を達成しますが、クラスレベルの意思決定の挙動を理解することは依然として困難です。時系列データの説明は時間的依存関係を尊重し、インスタンスをまたいで再現されるパターンを特定しなければなりません。既存のアプローチには3つの制約があります。画像データや表形式データ向けに開発されたモデル非依存型XAI手法は時系列には容易には拡張できず、時系列のグローバルな説明の統合はまだ十分に探究されておらず、そして多くの既存のグローバル手法はモデル特異的です。私たちはL2GTXを提案します。代表的なインスタンス群から局所説明を集約して、クラス別のグローバル説明を生成するモデル非依存フレームワークです。L2GTXは、増加傾向や減少傾向、局所極値といったパラメータ化された時系列イベントのプリミティブのクラスタを、LOMATCEによって作成されたインスタンスレベルの説明から得られる重要度スコアとともに抽出します。これらのクラスタはインスタンス間で統合され、冗長性を削減します。インスタンス-クラスタ重要度マトリクスを用いてグローバルな関連性を推定します。ユーザー定義のインスタンス選択予算の下で、L2GTXは影響力のあるクラスタのカバレッジを最大化する代表的なインスタンスを選択します。選択されたインスタンスのイベントを集約し、簡潔なクラス別のグローバル説明へまとめます。6つのベンチマーク時系列データセットを対象にした実験は、L2GTXがコンパクトで解釈可能なグローバル説明を生成しつつ、局所代理忠実度の平均として測定される安定したグローバル忠実度を維持することを示しています。