[論文レビュー] EXCODER: EXplainable Classification Of DiscretE time series Representations

Yannik Hahn, Königsfeld, Antonin+2 more|arXiv (Cornell University)|Feb 13, 2026

Time Series Analysis and Forecasting被引用数 0

ひとこと要約

要約: この論文は離散潜在表現（VQ-VAE、DVAE、SAX）が時系列分類の説明可能性を向上させ、潜在空間での構造化されたXAI説明を可能にするかを検討し、説明と学習パターンの一致を評価するSSAを導入します。

ABSTRACT

Deep learning has significantly improved time series classification, yet the lack of explainability in these models remains a major challenge. While Explainable AI (XAI) techniques aim to make model decisions more transparent, their effectiveness is often hindered by the high dimensionality and noise present in raw time series data. In this work, we investigate whether transforming time series into discrete latent representations-using methods such as Vector Quantized Variational Autoencoders (VQ-VAE) and Discrete Variational Autoencoders (DVAE)-not only preserves but enhances explainability by reducing redundancy and focusing on the most informative patterns. We show that applying XAI methods to these compressed representations leads to concise and structured explanations that maintain faithfulness without sacrificing classification performance. Additionally, we propose Similar Subsequence Accuracy (SSA), a novel metric that quantitatively assesses the alignment between XAI-identified salient subsequences and the label distribution in the training data. SSA provides a systematic way to validate whether the features highlighted by XAI methods are truly representative of the learned classification patterns. Our findings demonstrate that discrete latent representations not only retain the essential characteristics needed for classification but also offer a pathway to more compact, interpretable, and computationally efficient explanations in time series analysis.

研究の動機と目的

• ハイリスク領域における時系列分類の解釈可能性の必要性を動機づける。
• 時系列の離散潜在表現を学習し（VQ-VAE、DVAE、SAX）、潜在コードで分類するパイプラインを提案する。
• 離散潜在空間にXAI手法を適用・適合させ、簡潔で忠実な説明を生成する。
• XAIの顕著度と訓練データパターンとの整合性を定量的に評価するSimilar Subsequence Accuracy（SSA）を導入する。
• 産業データセットと医療データセットを横断する実証評価を提供し、潜在表現と非潜在表現の説明を比較する。

提案手法

• VQ-VAE、DVAE、SAXを基準として時系列を離散潜在表現に変換する。
• 各離散コードを元の系列の25タイムステップのサブシーケンスに対応付けるパッチ機構を付与し、解釈性を向上させる。
• 未知のMASKトークンを介して、Saliency Map、Integrated Gradients、Randomized Input Sampling（RISE）、LIME、Attention Mapsを離散トークンで動作するよう適合させる。
• 摂動分析、実装不変性、手法間の一致、そして新規SSA指標によって説明を評価する。
• 説明安定性（種を変えて複数モデルを訓練し評価）を評価し、 Metricsの平均値/標準偏差を報告する。

実験結果

リサーチクエスチョン

• RQ1 離散潜在表現は分類性能を維持しつつ時系列の説明可能性を向上させるか。
• RQ2 離散潜在空間に適用したXAI説明は、生データ空間よりも簡潔で構造化された説明を生み出すか。
• RQ3 離散潜在空間における説明を定量的に評価し、真のクラス識別パターンと一致させるにはどうするか。
• RQ4 SSAはXAI顕著性とトレーニングデータの反復パターンとの整合性を信頼できる尺度か。
• RQ5 説明はモデル初期化をまたいで安定し、異なるXAI手法間で一致するか。

主な発見

• 離散表現（VQ-VAE/DVAE）と単純な分類器は、特定のデータセットで説明中心の指標が競合的または優位になる。
• 潜在空間でのXAI説明は、分類性能を犠牲にせずによりコンパクトで構造化される傾向がある。
• SSA指標は顕著な潜在サブシーケンスと訓練データのクラス特有パターンとの整合性を定量的に測定する。
• 説明手法の最適性はモデルアーキテクチャとデータセットに依存するが、一部の手法はロバスト性と手法間の一致が高い。
• 実装不変性（種間の安定性）と手法間の一致は、説明の信頼性を評価する有用な診断指標となる。