Neuro-symbolic Models for Interpretable Time Series Classification using Temporal Logic Description
大多数现有的时间序列分类(TSC)模型缺乏可解释性,难以检验。可解释的机器学习模型可以帮助发现数据中的模式,并为领域专家提供易于理解的见解。本文提出神经符号时间序列分类(NSTSC),一种神经符号模型,利用信号时序逻辑(STL)和神经网络(NN)来完成多视图数据表示的TSC任务,并将模型表示为人类可读、可解释的公式。在NSTSC中,每个神经元都连接到一个符号表达式,即STL (sub)公式。因此,NSTSC的输出可以被解释为类似于自然语言的STL公式,描述了隐藏在数据中的时间和逻辑关系。本文提出一种基于nstc的分类器,采用决策树方法来学习公式结构,并完成多类TSC任务。所提出的平滑激活函数使模型能够以端到端的方式学习。在来自小鼠的真实伤口愈合数据集和来自UCR时间序列存储库的基准数据集上测试了NSTSC,表明NSTSC取得了与最先进模型相当的性能。此外,NSTSC可以生成与领域知识匹配的可解释公式
MRM2: Multi-Relationship Modeling Module for Multivariate Time Series Classification
多变量时间序列分类(MTSC)是数据挖掘中一个普遍而具有挑战性的问题。随着深度神经网络(Deep Neural Netw