ترجمه فارسی مقاله زمان کافی نیست: توضیح مبتنی بر زمان-فرکانس برای مدل‌های جعبه سیاه سری زمانی

چکیده

Despite the massive attention given to time-series explanations due to their extensive applications, a notable limitation in existing approaches is their primary reliance on the time-domain. This overlooks the inherent characteristic of time-series data containing both time and frequency features. In this work, we present Spectral eXplanation (SpectralX), an XAI framework that provides time-frequency explanations for time-series black-box classifiers. This easily adaptable framework enables users to “plug-in” various perturbation-based XAI methods for any pre-trained time-series classification models to assess their impact on the explanation quality without having to modify the framework architecture. Additionally, we introduce Feature Importance Approximations (FIA), a new perturbation-based XAI method. These methods consist of feature insertion, deletion, and combination techniques to enhance computational efficiency and class-specific explanations in time-series classification tasks. We conduct extensive experiments in the generated synthetic dataset and various UCR Time-Series datasets to first compare the explanation performance of FIA and other existing perturbation-based XAI methods in both time-domain and time-frequency domain, and then show the superiority of our FIA in the time-frequency domain with the SpectralX framework. Finally, we conduct a user study to confirm the practicality of our FIA in SpectralX framework for class-specific time-frequency based time-series explanations. The source code is available in https://github.com/gustmd0121/Time_is_not_Enough

چکیده به فارسی (ترجمه ماشینی)

علیرغم توجه گسترده ای که به توضیحات سری زمانی به دلیل کاربردهای گسترده آنها داده می شود ، محدودیت قابل توجه در رویکردهای موجود اعتماد اصلی آنها به دامنه زمان است.این مشرف به ویژگی ذاتی داده های سری زمانی است که حاوی ویژگی های زمان و فرکانس است.در این کار ، ما توضیح طیفی (SpectralX) ، یک چارچوب XAI را ارائه می دهیم که توضیحات فرکانس زمانی را برای طبقه بندی کننده های جعبه سیاه سری ارائه می دهد.این چارچوب به راحتی سازگار کاربران را قادر می سازد روشهای مختلف XAI مبتنی بر آشفتگی مبتنی بر آشفتگی را برای هر مدل طبقه بندی سری زمانی از قبل آموزش داده شده برای ارزیابی تأثیر آنها بر کیفیت توضیحات بدون نیاز به تغییر در معماری چارچوب فراهم کنند.علاوه بر این ، ما تقریب اهمیت ویژگی (FIA) را معرفی می کنیم ، یک روش جدید مبتنی بر آشفتگی XAI.این روشها شامل تکنیک های درج ، حذف و ترکیبی برای تقویت کارایی محاسباتی و توضیحات خاص کلاس در کارهای طبقه بندی سری زمانی است.ما آزمایش های گسترده ای را در مجموعه داده های مصنوعی تولید شده و مجموعه داده های مختلف سری UCR انجام می دهیم تا ابتدا عملکرد توضیحات FIA و سایر روشهای XAI مبتنی بر آشفتگی موجود را در حوزه دامنه زمان و فرکانس مقایسه کنیم و سپس برتری ما را نشان دهیمFIA در دامنه فرکانس زمان با چارچوب SpectralX.سرانجام ، ما یک مطالعه کاربر را برای تأیید عملی بودن FIA در چارچوب SpectralX برای توضیحات سری زمانی مبتنی بر فرکانس زمان خاص کلاس انجام می دهیم.کد منبع در https://github.com/gustmd0121/time_is_not_enough در دسترس است