时间序列关于可解释性值得关注的论文汇总-第2篇

前言

这是时序可解释性论文汇总的第二篇，第一篇见这里（后台回复：“论文合集”可直接获取整理的文章）。深度学习的可解释性研究一直是热门，而时间序列的可解释性同样非常重要。这是因为时序模型被大量应用到特定领域：金融、医疗、交通等，这些应用场景对模型的可解释要求更高，需要提供可解释的预测。

1

论文标题：TEMPORAL DEPENDENCIES IN FEATURE IMPORTANCE FOR TIME SERIES PREDICTION（ICLR23）

时间序列数据为可解释性方法带来了两个关键挑战：首先，同一特征在随后时间步的观察不是独立的；其次，同一特征对模型预测的重要性随时间变化。本文中提出了一种基于特征移除的可解释性方法——时间窗口特征重要性（WinIT），以解决这些问题。与现有的特征移除解释方法不同，WinIT在构建其重要性