STX-Search: Explanation Search for Continuous Dynamic Spatio-Temporal Models
作者: Saif Anwar, Nathan Griffiths, Thomas Popham, Abhir Bhalerao
发布时间: 2025-03-07
来源: arxiv
研究方向: 机器学习，可解释人工智能，时空数据建模
主要内容
STX-Search是一种针对连续动态时空模型生成实例级解释的方法，旨在解决现有方法在解释连续时间动态图数据时的计算复杂性和解释目标不足的问题。
主要贡献
1. 提出了一种针对连续动态时空模型生成实例级解释的新方法STX-Search。
2. 引入了一种新的搜索策略和目标函数，以找到高度忠实且可解释的解释。
3. STX-Search在优化解释大小以保持可解释性的同时，产生了更高保真的解释。
研究方法
1. 搜索策略：模拟退火方法，通过随机生成初始解并迭代地扰动解以找到更好的解。
2. 目标函数：结合Fidelity和Sparsity，平衡解释的保真度和稀疏度。
3. 多阶段搜索：分为三个阶段，分别关注保真度、包含所有重要事件和减少解释大小。
实验结果
在Reddit和Wikipedia数据集上，STX-Search在MAE和αFidelity指标上均显著优于现有方法，并能够自动找到最佳解释大小。
未来工作
开发一个框架，用于生成合成数据集以测试时空模型解释方法的性能，并控制事件之间的空间和时间依赖关系，以便具有可评估的基准解释。