arXiv cs.AI· Enver Menadjiev, Yiqiu Shen, Jaesik Choi, Julia Stoyanovich·· 12 小时前AI 评分18
GRAIL：从显著性到语义的时间序列解释框架
GRAIL: From Saliency to Semantics in Time-Series Explanation
AI 导读
GRAIL 是一个基于区域的时间序列解释框架，用领域特定区间（如 ECG 心搏的 P 波与 QRS 波群）作为博弈参与者，替代逐时间步的显著性。它用人类可读特征描述每个区域，并通过 on-manifold 条件生成器生成反事实基线，同时让年龄、性别等静态协变量以单例参与者形式与时间区域在同一尺度上归因。
正文 · AI 翻译
摘要：解释时间序列模型既需要定位证据，也需要从中提取有意义的知识。然而，单个时间步并不是一个语义单元：有意义的模式存在于许多样本之中，而非其中任何一个样本之内。因此，逐时间步的显著性既嘈杂、高维，又不稳定。现有方法通过引入固定大小的窗口，并将其视为合作博弈中的独立参与者来解决这一问题。评估此类参与者的联盟需要定义一个“基线”区域，先前的工作用固定的反事实（例如一条平线、噪声或频谱替代物）来处理。这种选择常常主导了最终的解释，掩盖了模型的真实决策。
为解决这些问题，我们提出了 GRAIL，一个基于区域的时间序列解释框架，它使用领域特定的区间作为参与者，例如心电图（ECG）心搏的 P 波和 QRS 波群。我们用人类可读的特征描述每个区域，并使用流形上的条件生成器生成反事实基线。这种参与者的选择也允许纳入非时间特征：静态协变量作为单例参与者进入，并在同一尺度上与时间区域一起归因，因此患者的表格证据（例如年龄、性别）可以直接与信号进行权衡。我们通过 Owen 值并结合公共随机数方差缩减，将预测归因到特征上。在合成数据和真实数据上的实验结果表明，所提出的框架在匹配的流形上和流形外算子下进行评估时，能够产生忠实且稳健的解释，为领域专家提供有意义的知识。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.29036 [cs.AI] |
| （或 arXiv:2610.29036v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.29036 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Enver Menadjiev [查看电子邮件]
[v1]
2026年10月21日星期三 01:09:56 UTC（149 KB）
来源：arXiv cs.AI · arxiv.org