arXiv cs.AI· Sachith Abeywickrama, Emadeldeen Eldele, Min Wu, Xiaoli Li, Chau Yuen·· 10 小时前AI 评分31
ConceptTime：用预测意外构建可解释时间序列的自接地概念瓶颈
Predictive Surprise as Self-Grounding Concept Bottleneck for Interpretable Time Series
AI 导读
ConceptTime 通过冻结概率预测器产生的“预测意外”信号同时定位时间序列分段边界并刻画各段动态模式，形成可聚类的概念词表，无需固定窗口或专家标注。在 17 个公开基准上，其精度与最先进黑盒模型相当，优于所有可解释基线，并在 Epilepsy 上仅用 1% 标签保持近 98% 准确率。
正文 · AI 翻译
摘要：部署在风险敏感领域的时间序列分类器必须（1）准确，（2）可解释，并且（3）在证据不足时能够弃权。现有方法无法同时实现这 3 点，而障碍是结构性的，而非后勤性的。如果不了解片段边界，就无法定义有意义的时间模式；但如果不了解预期会出现哪些模式，就无法放置有意义的边界。现有方法通过使用固定窗口或专家标注的词汇表来打破这种循环，从而至少牺牲了这 3 个属性中的一个。我们引入了 ConceptTime，它通过单一的自监督信号闭合了这一循环。一个冻结的概率预测器在序列的每个时间步预测下一个观测值的分布。我们将其预测与实际信号之间的不匹配称为预测意外。该信号既定位片段边界，又通过预测器刻画每个所得片段。因此，片段是由其相对于预期的行为来锚定的，而不是由它们看起来像什么来锚定的。这些摘要聚类成一个动力学状态词汇表，我们称之为概念。一个轻量级头部从概念序列进行分类，而与最近概念的距离在设计上产生了可靠性。在 17 个公开基准上，ConceptTime 与最先进的黑盒准确率具有竞争力，击败了所有可解释基线，并在仅使用 1% 标签的情况下在 Epilepsy 上保持了接近 98% 的准确率。在 OOD 检测和删除忠实度方面，它进一步与 softmax、原型距离和 SHAP/TimeX/TimeX++ 保持竞争力，而无需任何标注、语言模型调用或领域专家。代码可在以下网址获取：此 https URL。
| 评论： | 已被 NeurIPS 2026 主赛道海报接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；信号处理（eess.SP）；机器学习（stat.ML） |
| 引用为： | arXiv:2611.12955 [cs.LG] |
| （或 arXiv:2611.12955v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.12955 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Sachith Abeywickrama [查看电子邮件]
[v1]
2026 年 11 月 7 日星期六 06:18:39 UTC（10,480 KB）
来源：arXiv cs.AI · arxiv.org