基于多实例学习的时间序列分类的内在可解释性

在当今数据驱动的世界中，时间序列分类（TSC）已成为一项重要的任务，应用于心电图分析、家用电器使用识别等多个领域。然而，传统的深度学习方法通常被视为“黑箱”，其决策过程难以解释，这严重限制了它们在实际应用中的接受度。为了解决这一问题，我们提出了一种新的框架：MILLET（多实例学习用于局部可解释时间序列分类），它利用多实例学习的优势来实现内在的可解释性，同时保持甚至提升预测性能。

多实例学习的优势

多实例学习（MIL）是一种弱监督学习范式，它通过一组共享同一标签的元素（包）来进行学习。在TSC的上下文中，每个时间序列可以视为一个包，而包内的每个时间点则是一个实例。这种方法允许我们在不需求额外标签的情况下，发现影响模型预测的关键时间点。

Y i =