时间序列数据在各种各样的现实应用中都普遍存在,它呼吁Peo-Ple的可信赖和可解释的模型,以理解和完全信任AI Solutions的决定。我们考虑从多变量时间序列数据中构建可解释的分类器的问题。理解此类预测模型的关键标准涉及阐明和量化与分类的输入变量变化的时间的争议。因此,我们引入了一种新颖的,模块化的基于卷积的特征外推和注意机制,同时识别变量以及确定分类输出的时间间隔。我们通过几个基准数据集提出了广泛的实验结果,这些数据集表明所提出的方法超过了多变化时间序列分类任务的最新基线方法。我们的案例研究结果表明,通过采用方法识别的变量和时间间隔相对于可用领域知识是有意义的。
主要关键词
![ARXIV:2006.03407V2 [QUANT-PH] 2020年9月22日PDF文件第1页](/bimg/1/15485c60aa015ad9df4ac46965b101262c73c463.webp)
![ARXIV:2006.03407V2 [QUANT-PH] 2020年9月22日PDF文件第2页](/bimg/b/b45ed2419b49deb8395022aae3c85c51cfb6b07f.webp)
![ARXIV:2006.03407V2 [QUANT-PH] 2020年9月22日PDF文件第3页](/bimg/c/c6162b769f013c00c655adf188432e9722a83284.webp)
![ARXIV:2006.03407V2 [QUANT-PH] 2020年9月22日PDF文件第4页](/bimg/8/87518f3745421e7dac8509602f6a62ecee82427a.webp)
![ARXIV:2006.03407V2 [QUANT-PH] 2020年9月22日PDF文件第5页](/bimg/4/4ac15bc21e2fc3199419ba9db2bece58ca1986eb.webp)
