[论文解读] 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 0

一句话总结

本文研究离散潜在表示（VQ-VAE、DVAE、SAX）是否通过在潜在空间实现结构化的XAI解释来提升时间序列分类的可解释性，并引入SSA以评估解释与训练模式的对齐性。

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.

研究动机与目标

• 在高风险领域中解释性时间序列分类的需求
• 提出一个学习时间序列离散潜在表示（VQ-VAE、DVAE、SAX）并在潜在码上进行分类的管线
• 将 XAI 方法适配并应用于离散潜在空间，以生成简洁、真实的解释
• 引入相似子序列准确度（SSA）以定量评估 XAI 显著性与训练数据模式的对齐
• 在工业与医疗数据集上进行实证评估，比较潜在表示与非潜在表示的解释

提出的方法

• 使用 VQ-VAE、DVAE、SAX 作为基线，将时间序列转换为离散潜在表示
• 附加一个补丁映射机制，将每个离散码映射到原始序列中的一个 25 时间步的子序列以实现可解释性
• 将显著性图、积分梯度、随机输入采样（RISE）、LIME 和注意力图等方法改造为在离散标记上通过未知的 MASK 令牌进行操作
• 用扰动分析、实现不变性、跨方法一致性以及新颖的 SSA 指标来评估解释
• 使用不同种子训练多个模型以评估解释稳定性（实现不变性），并报告指标的均值/标准差

实验结果

研究问题

• RQ1 离散潜在表示是否在保持分类性能的同时提升时间序列的可解释性？
• RQ2 应用于离散潜在空间的 XAI 方法是否比原始输入空间给出更紧凑、结构化的解释？
• RQ3 如何在离散潜在空间中定量评估解释以确保其与真实类别判别模式的一致性？
• RQ4 SSA 是否提供一个可靠的衡量解释显著性与训练数据中重复模式对齐性的量化指标？
• RQ5 解释是否在模型初始化之间保持稳定并且在不同 XAI 方法之间达成一致？

主要发现

• 离散表示（VQ-VAE/DVAE）结合简单分类器在某些数据集上可以实现具有竞争力甚至更优的以解释为导向的指标
• 潜在空间中的 XAI 解释往往更紧凑、结构化，同时不牺牲分类性能
• SSA 指标提供了对显著潜在子序列与训练数据中特定模式对齐的定量衡量
• 根据模型结构和数据集的不同，最能揭示重要特征的 XAI 方法存在差异，但某些方法显示出更高的鲁棒性和跨方法一致性
• 实现不变性（跨种子稳定性）和跨方法一致性是解释可靠性的有用诊断