CoLaX：上下文感知的时序分类事后解释框架
热点事件持续更新
CoLaX：上下文感知的时序分类事后解释框架
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Kexuan Zhang 等研究者在 arXiv 发布 CoLaX，一种面向时间序列分类的上下文感知事后解释框架。它基于 shapelet 驱动的 Shapley 归因，并用全序列的学习表示对局部模式的关联度进行条件化，从而捕捉同一模式在不同上下文下重要性的变化。 论文报告，在 motif 重要性随上下文改变的合成基准上，CoLaX 的 AUPRC 较最强基线平均提升 30%，并在真实 ECG 数据上取得最高 AUPRC。消融实验显示增益来自对输入的条件化，而非额外引入的可学习权重。
AI 根据报道生成 · 2 小时前更新
最新进展11月14日 13:00
CoLaX：面向时间序列分类的上下文感知局部解释框架报道时间线
沿着报道，了解事件的不同侧面。
11月14日
- arXiv cs.AICoLaX：面向时间序列分类的上下文感知局部解释框架
研究者提出 CoLaX，一种上下文感知的时间序列分类事后解释框架，基于 shapelet 驱动的 Shapley 归因，并用全序列学习表示对局部模式的关联度进行条件化。在相同 motif 随上下文改变重要性的合成基准上，CoLaX 的 AUPRC 比最强基线平均提升 30%，并在真实 ECG 数据上取得最高 AUPRC。消融实验显示增益来自依赖输入的条件化而非额外可学习权重。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。