L2GTX：時系列分類のローカル説明を束ねてクラス全体の説明へ上げるモデル非依存フレームワーク

TL;DR（結論）

• 時系列分類の説明研究は個別サンプル向けの局所説明に偏りがちで、クラス全体としてモデルがどんな波形パターンを重視しているかをまとめて把握する仕組みは不足していました。
• L2GTX は、LOMATCE が出す局所的なイベント説明を、代表サンプルの選択・クラスタ統合・属性要約の三段で束ね、クラスごとの大域説明へ変換するモデル非依存手法です。
• 6つの UCR データセット、FCN と LSTM-FCN の2系統で評価したところ、統合の粗さを上げてクラスタ数を減らしても大域忠実度は概ね安定し、少数の代表事例から読みやすいクラス別説明を作れることが示されました。

なぜこの問題か

時系列分類モデルは医療、センサ監視、行動認識、食品判別のような場面で高い精度を出せますが、「どのクラスでどんな時間的特徴を見ているのか」を人が理解するのは簡単ではありません。画像ならヒートマップ、表形式なら特徴量重要度で大まかな説明ができますが、時系列では各時刻が独立ではなく、上昇傾向、下降傾向、極大値、極小値といったまとまりが時間順序の中で意味を持ちます。単に「この時間帯が重要です」と言われても、その区間で何が起きていたかが分からなければ説明として弱いです。

核心：何を提案したのか

提案の中心は L2GTX、すなわち Local-to-Global Time-series eXplanations です。発想は単純で、まず各サンプルごとに局所説明を取り、その中から重要な時間イベントのクラスタを抽出します。次に、それらをサンプル間でマージして大域クラスタを作り、どのクラスタがどれだけ多くの代表事例で重要だったかを集計します。最後に、予算内で代表サンプルを選び、そこに現れたイベントの属性を平均とばらつきで要約して、クラスごとの説明として出します。

続きはログイン/プランで閲覧できます。