近年来，时间序列的可解释人工智能（XAI）算法取得了显著的发展，但在下游任务中提供可衡量的性能提升的实用性仍然未得到充分探索。本文通过引入 drXAI，一种新颖的方法论，将 XAI 属性方法重新用于时间序列分类（TSC）的有效数据减少，填补了这一空白。
现代 TSC 的核心挑战在于可扩展性；例如，Transformer 等最先进模型在序列长度方面表现出二次复杂性，而在通道数量方面则表现出线性复杂性。这使得它们在处理大型数据集时计算成本高昂。drXAI 通过使用快速的 GPU 加速分类器（Hydra）生成局部属性来解决这一问题。我们将这些局部属性聚合成全局特征重要性分数，并采用自动化的肘部切割启发式算法来选择最显著的特征，而无需手动设置阈值。
我们在合成和真实的单变量及多变量数据集上评估了我们的方法。在合成基准测试中，drXAI 成功恢复了真实特征，而传统基准方法则失败。在真实数据上，drXAI 实现了 80% 到 90% 的数据减少，同时保持了与在完整数据集上训练的模型相当的分类准确率。最重要的是，我们展示了 drXAI 使得像 ConvTran 这样的资源密集型模型能够扩展到以前因内存限制而无法访问的数据集。我们的结果表明，使用 XAI 的好处不仅在于可解释性，更是作为时间序列分析中特征选择和可扩展性的强大工具。所有代码和数据均已公开可用。
博主点评： drXAI 的引入为时间序列分类提供了一种创新的数据处理方式，利用 XAI 的可解释性来优化特征选择，显著提升了模型的可扩展性和效率。这不仅是算法上的突破，也是对大型数据集处理能力的有力提升，显示了可解释性与性能之间的良性互动。