Краткое содержание

arXiv:2511.06529v1 Тип объявления: новое Аннотация: В процессах принятия решений заинтересованные стороны часто полагаются на контрфактические объяснения, которые предлагают рекомендации относительно того, какие изменения нужно внести в исследуемый экземпляр, чтобы изменить результат работы системы ИИ. Однако создание таких объяснений для многомерных временных рядов представляет собой трудности вследствие их сложной многоразмерной природы. Традиционные методы, основанные на ближайшем непохожем соседе (Nearest Unlike Neighbour), обычно заменяют подпоследовательности во временном ряде значимыми подпоследовательностями от ближайшего непохожего соседа, что не всегда реалистично в реальных сценариях из-за жесткой прямой замены. Методы, использующие остаточные порождающие состязательные сети (Residual Generative Adversarial Networks), стремятся решить эту проблему путем изучения распределения наблюдаемых данных для генерации синтетических контрфактических объяснений. Тем не менее эти подходы главным образом сосредоточены на минимизации стоимости перехода от исходного временного ряда к контрфактическим объяснениям и зачастую игнорируют важность расстояния между ними.