TimeSliver：説明可能な時系列分類のための記号的・線形分解手法

TL;DR（結論）

TimeSliverは、生の時系列データと記号的な抽象化表現を統合することで、高い予測精度と忠実な説明可能性を両立させた新しい深層学習フレームワークである。1D CNNによる潜在表現とビン化による記号的表現を線形に結合する独自の構造により、各時間ステップが予測に与える正負の影響を明示的に数値化することに成功している。実世界の多変量データを用いた検証では、従来手法を11%上回る説明性能を達成しつつ、26種類の標準ベンチマークにおいて最先端モデルに匹敵する分類精度を維持していることが確認された。

なぜこの問題か

深層学習モデル、特に畳み込みニューラルネットワーク（CNN）や長短期記憶（LSTM）、トランスフォーマーなどは、時系列分類において極めて高い予測性能を示している。しかし、これらのモデルは内部の意思決定プロセスが不透明な「ブラックボックス」であり、なぜその予測に至ったのかを人間が理解することは困難である。医療診断、法的判断、金融取引といった高い信頼性と透明性が要求される高リスク領域では、モデルの予測根拠を説明できる能力が不可欠である。説明可能性は、単にユーザーの信頼を得るだけでなく、訓練データに含まれる潜在的なバイアスの検出や、データから新しい科学的知見を抽出するためにも重要な役割を果たす。 これまでにも、モデルの予測を事後的に説明するための手法として、勾配や特徴量に基づくDeepLift、Integrated Gradients、Grad-CAMなどが提案されてきた。しかし、これらの手法にはいくつかの重大な課題がある。第一に、参照状態（ベースライン）の設定に対して結果が非常に敏感であり、設定次第で説明の内容が大きく変わってしまう不安定さがある。…

核心：何を提案したのか

本研究では、TimeSliver（Temporal attribution using Symbolic–Linear Vector Encoding for Representation）と呼ばれる、説明可能性を重視した新しい深層学習フレームワークが提案された。この手法の核心は、生の時系列データから得られる潜在的な特徴と、データを記号的に抽象化した表現を統合し、元の時間構造を維持したまま線形な分解を行う点にある。TimeSliverは、時間的なセグメントごとに局所的な表現を学習し、それらを線形に組み合わせることで、最終的な予測に対する各時間ポイントの寄与度を直接算出する。この設計により、事後的な近似手法に頼ることなく、モデルの内部表現から直接、意味のある重要度スコアを導き出すことが可能となっている。 TimeSliverの最大の特徴は、時間的なアトリビューション（帰属）を「正」と「負」の両方のスコアとして提供できる点である。…

続きはログイン/プランで閲覧できます。