arXiv cs.AI· Kexuan Zhang, Paolo Frazzetto, Xiaobei Zou, Gustau Camps-Valls, Yang Tang·· 1 天前AI 评分24
CoLaX：面向时间序列分类的上下文感知局部解释框架
CoLaX: Context-Aware Local Explanations for Time Series Classification
AI 导读
CoLaX 是一个上下文感知的事后解释框架，基于 shapelet 驱动的 Shapley 归因，用全序列学习表示对局部模式相关性做条件化。在相同 motif 随上下文改变相关性的合成基准上，其 AUPRC 平均比最强基线提升 30%，在真实 ECG 数据上取得最高 AUPRC。消融显示增益来自输入相关的条件化而非额外可学习权重。
正文 · AI 翻译
摘要：时间序列分类器的后验解释通常只对局部模式（如子序列或 shapelet）打分，而不考虑序列的其余部分。然而，同一模体在不同的全局时间条件（如趋势或状态）下可能具有不同的预测含义。我们提出 CoLaX，一种上下文感知的后验解释框架，它基于 shapelet 驱动的 Shapley 归因，并将局部模式的相关性条件化于完整序列的学习表示之上。全局上下文在两个层面发挥作用：它产生样本特定的原型权重，以及一个在时间上解析的信号，用于重新加权局部激活图。由此得到的上下文条件化片段是 Shapley 归因博弈的参与者，其取值仅来自冻结的黑盒分类器。在相同模体随上下文改变相关性的合成基准上，CoLaX 相比最强基线平均将 AUPRC 提升 30\%。在真实数据上，它在 ECG 上取得了最高的 AUPRC。额外的消融实验表明，增益来自依赖输入的条条件化，而非额外的可学习权重。因此，当重复出现的局部模体在序列级上下文之间改变相关性时，CoLaX 最为有用。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.15067 [cs.LG] |
| （或 arXiv:2611.15067v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.15067 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Kexuan Zhang [查看邮箱]
[v1]
2026年11月11日星期三 05:36:26 UTC（1,841 KB）
来源：arXiv cs.AI · arxiv.org