告别逐个时间点解释！新框架统一刻画时间相关输出的特征影响
A Hilbert-Valued Functional Decomposition Framework for Explaining Time-Dependent Outputs
📖 AI 总结
该论文针对现有基于特征的模型解释方法主要面向标量输出、难以处理时间依赖型或多元输出的局限，提出了一个统一的希尔伯特值函数分解框架。作者将函数分解推广至希尔伯特空间中的预测函数，并引入基于核的输出表示，使解释能够感知输出分量之间的时间依赖关系，支持特定时刻、时间分辨和时间聚合等多种粒度，同时将既有方法纳入统一视角作为特例。研究在合成数据及日内金融市场波动率预测、能源需求预测等真实数据上进行了验证，为时间序列等场景下的模型解释提供了更完整、灵活的理论工具。
🔑 关键词速览
| Hilbert-valued prediction functions | 希尔伯特值预测函数，指输出取值于希尔伯特空间的函数，用于处理函数型或多变量输出。 |
| Functional decomposition | 函数分解，将复杂函数表示为更简单分量之和的方法，此处推广到希尔伯特空间。 |
| Kernel-based output representations | 基于核的输出表示，利用核方法将输出映射到高维空间以捕捉时间依赖关系。 |
| Time-dependent outputs | 时间相关输出，指随时间变化的输出，如时间序列或轨迹。 |
| Feature-based explanations | 基于特征的解释，量化输入特征对模型预测影响的方法。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅