单变量时间序列的互动反事实生成
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了单变量时间序列数据在分类任务中解释性不足的问题，提出了一种通过二维投影和决策边界图生成互动反事实的方法。研究表明，该方法显著提升了深度学习模型决策过程的透明度与用户理解，具备广泛的可解释人工智能应用潜力。
CounterfacTS是一个用于探测深度学习模型在时间序列预测中鲁棒性的工具，具有用户友好的界面和可视化功能。它可以帮助用户识别时间序列集合的主要特征，评估模型性能的依赖性，并指导转换原始时间序列以提高预测性能。该工具还强调了在转换时间序列和创建反事实时考虑数据在特征空间中的位置的重要性。总体而言，CounterfacTS有助于探索时间序列预测任务中未涵盖的假设情景的影响。
