arXiv cs.AI· Antonia Holzapfel, Andres Felipe Posada Moreno, Sebastian Trimpe·· 1 天前AI 评分24
CENDRe：用自然域表示做概念提取的 CNN 时序分类方法
CENDRe: Concept Extraction with Natural Domain Representations
AI 导读
CENDRe 是一种面向 CNN 时序分类的概念提取方法，通过两阶段聚类每时间步潜在表示并用轮廓系数引导自动确定概念数量，解决现有方法仅限时域、依赖预设概念数、定位不准三个问题。它用存在分数及其梯度生成掩码，并借助傅里叶变换等可逆映射把同一概念定位到不同信号域。在合成基准上表示正确性媲美 SOTA 方法且重要性正确性更高，在真实轴承故障数据上提取出驱动预测的频段。
正文 · AI 翻译
摘要：卷积神经网络（CNN）广泛用于时间序列分类，但在关键场景中部署时，需要理解驱动其预测的信号域模式（例如时域或频域）。概念提取（CE）方法通过分析模型潜在空间中的表示来识别此类模式。然而，现有的时间序列 CE 方法存在三个局限：它们仅在时域中运行，无法在其他域中定位特征；它们依赖预定义的概念数量，从而产生偏差；它们产生的定位与模型实际使用的区域不一致。我们通过 CENDRe 来解决这些局限，这是一种用于 CNN 的概念提取方法。在概念发现方面，我们提出了一种分两阶段对每个时间步的潜在表示进行聚类的流程，并采用轮廓系数引导的聚合来自动选择概念数量。在定位方面，我们定义了一个存在分数，将潜在表示与其原型进行对比，并利用其梯度生成聚焦于驱动该概念区域的掩码。这些梯度通过输入的可微可逆映射（如傅里叶变换）传播，从而在不同域中为同一概念产生定位。最后，每个概念获得一个相关性分数，量化其对每个类别的贡献。在合成基准上，CENDRe 实现了与最先进 CE 方法相当的表示正确性和更高的重要性正确性，同时能在不同域中生成可视化。在真实轴承故障数据上，CENDRe 提取了驱动模型预测的频带，这些频带位于故障诊断中通常检查的区域，提供了时域 CE 方法无法提供的评估模型的证据。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2607.29621 [cs.LG] |
| （或 arXiv:2607.29621v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2607.29621 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Antonia Holzapfel [查看电子邮件]
[v1]
2026年7月31日星期五 16:56:27 UTC（17,026 KB）
[v2]
2026年11月11日星期三 17:20:54 UTC（17,026 KB）
来源：arXiv cs.AI · arxiv.org