ترجمه فارسی مقاله TX-Gen: بهینه سازی چند هدفی برای توضیحات ضد پراکنده برای طبقه بندی سری زمانی

چکیده

In time-series classification, understanding model decisions is crucial for their application in high-stakes domains such as healthcare and finance. Counterfactual explanations, which provide insights by presenting alternative inputs that change model predictions, offer a promising solution. However, existing methods for generating counterfactual explanations for time-series data often struggle with balancing key objectives like proximity, sparsity, and validity. In this paper, we introduce TX-Gen, a novel algorithm for generating counterfactual explanations based on the Non-dominated Sorting Genetic Algorithm II (NSGA-II). TX-Gen leverages evolutionary multi-objective optimization to find a diverse set of counterfactuals that are both sparse and valid, while maintaining minimal dissimilarity to the original time series. By incorporating a flexible reference-guided mechanism, our method improves the plausibility and interpretability of the counterfactuals without relying on predefined assumptions. Extensive experiments on benchmark datasets demonstrate that TX-Gen outperforms existing methods in generating high-quality counterfactuals, making time-series models more transparent and interpretable.

چکیده به فارسی (ترجمه ماشینی)

در طبقه بندی سری زمانی ، درک تصمیمات مدل برای کاربرد آنها در حوزه های پرخاشگر مانند مراقبت های بهداشتی و دارایی بسیار مهم است.توضیحات ضد خلاف ، که با ارائه ورودی های جایگزین که پیش بینی های مدل را تغییر می دهد ، بینش ارائه می دهد ، یک راه حل امیدوارکننده ارائه می دهد.با این حال ، روشهای موجود برای تولید توضیحات ضد عملی برای داده های سری زمانی اغلب با متعادل کردن اهداف کلیدی مانند نزدیکی ، کمبود و اعتبار می جنگند.در این مقاله ، ما TX-GEN را معرفی می کنیم ، یک الگوریتم جدید برای تولید توضیحات ضد عملی بر اساس الگوریتم ژنتیکی مرتب سازی غیر تحت سلطه (NSGA-II).TX-GEN بهینه سازی چند هدف تکاملی را برای یافتن مجموعه متنوعی از ضد اکتشافات که هم پراکنده و هم معتبر هستند ، اعمال می کند ، ضمن اینکه حداقل عدم تمایل به سری زمانی اصلی را حفظ می کند.روش ما با ترکیب یک مکانیسم با هدایت مرجع انعطاف پذیر ، امکان پذیر بودن و تفسیر قابلیت های متقابل را بدون تکیه بر فرضیات از پیش تعریف شده بهبود می بخشد.آزمایش های گسترده در مجموعه داده های معیار نشان می دهد که TX-GEN از روشهای موجود در تولید ضد مسیرهای با کیفیت بالا استفاده می کند ، و مدل های سری زمانی شفاف تر و قابل تفسیر می شوند.