ترجمه فارسی مقاله تولید ضد فاکتور تعاملی برای سری های زمانی تک متغیره

چکیده

We propose an interactive methodology for generating counterfactual explanations for univariate time series data in classification tasks by leveraging 2D projections and decision boundary maps to tackle interpretability challenges. Our approach aims to enhance the transparency and understanding of deep learning models’ decision processes. The application simplifies the time series data analysis by enabling users to interactively manipulate projected data points, providing intuitive insights through inverse projection techniques. By abstracting user interactions with the projected data points rather than the raw time series data, our method facilitates an intuitive generation of counterfactual explanations. This approach allows for a more straightforward exploration of univariate time series data, enabling users to manipulate data points to comprehend potential outcomes of hypothetical scenarios. We validate this method using the ECG5000 benchmark dataset, demonstrating significant improvements in interpretability and user understanding of time series classification. The results indicate a promising direction for enhancing explainable AI, with potential applications in various domains requiring transparent and interpretable deep learning models. Future work will explore the scalability of this method to multivariate time series data and its integration with other interpretability techniques.

چکیده به فارسی (ترجمه ماشینی)

ما یک روش تعاملی برای تولید توضیحات ضد عملی برای داده های سری زمانی یک متغیره در کارهای طبقه بندی با استفاده از پیش بینی های 2D و نقشه های مرزی تصمیم گیری برای مقابله با چالش های تفسیر ارائه می دهیم.رویکرد ما با هدف تقویت شفافیت و درک فرآیندهای تصمیم گیری مدل های یادگیری عمیق انجام شده است.این برنامه تجزیه و تحلیل داده های سری زمانی را با فعال کردن کاربران برای دستکاری تعاملی از نقاط داده پیش بینی شده ، ارائه بینش های بصری از طریق تکنیک های طرح ریزی معکوس ساده می کند.روش ما با انتزاع تعامل کاربر با نقاط داده پیش بینی شده به جای داده های سری زمانی خام ، نسل بصری از توضیحات ضد خلاف را تسهیل می کند.این رویکرد امکان اکتشاف ساده تر از داده های سری زمانی متغیره را فراهم می کند ، و به کاربران این امکان را می دهد تا نقاط داده را برای درک نتایج بالقوه سناریوهای فرضی دستکاری کنند.ما این روش را با استفاده از مجموعه داده های معیار ECG5000 تأیید می کنیم ، و پیشرفت های قابل توجهی در تفسیر و درک کاربر از طبقه بندی سری زمانی نشان می دهیم.نتایج حاکی از یک جهت امیدوار کننده برای تقویت هوش مصنوعی قابل توضیح است ، با کاربردهای بالقوه در حوزه های مختلف که نیاز به مدلهای یادگیری عمیق شفاف و قابل تفسیر دارند.کار آینده مقیاس پذیری این روش را به داده های سری چند متغیره و ادغام آن با سایر تکنیک های تفسیر کشف می کند.