TimeSliver: Symbolic-Linear Decomposition for Explainable Time Series Classification¶

会议: ICLR 2026
arXiv: 2601.21289
代码: GitHub
领域: 时间序列/可解释性
关键词: 时间归因, 符号抽象, 线性组合, 可解释分类, 正负归因

一句话总结¶

提出TimeSliver——可解释性驱动的深度学习框架,联合利用原始时序数据和符号抽象(分箱)构建保持原始时间结构的表示,每个元素线性编码对应时间段对最终预测的贡献→赋予每个时间点正/负归因分数,在7个数据集上时间归因准确率超越其他方法11%,同时在26个UEA基准上预测性能持平SOTA。

研究背景与动机¶

领域现状¶

领域现状：领域现状**：DL模型(CNN/LSTM/Transformer)→强分类性能但不可解释。可解释性对高风险应用(医疗/金融/法律)至关重要。

现有痛点：

现有痛点¶

现有痛点：(1) 事后解释(DeepLift/IntGrad/SHAP)→对基准状态敏感+假设特征独立+跨数据集不泛化

核心矛盾¶

核心矛盾：(2) 注意力权重→Transformer中注意力与真正归因不忠实

解决思路¶

解决思路：(3) MIL方法→未扩展到多变量

补充说明¶

补充说明：(4) 无法区分正/负归因→"推向预测类"vs"推离预测类"

切入角度：设计内生可解释的架构→线性组合保证归因可直接计算→不依赖事后方法。

方法详解¶

TimeSliver三模块架构¶

模块I: 时间段表示学习(Q) - 将时间序列分段→每段用encoder→得到段级表示向量 - 保持段与原始时间位置的对应关系

模块II: 符号抽象潜在向量(Z) - 将时间序列分箱(binning)→符号化表示 - 用encoder→得到潜在时间向量Z - 符号化→消除高频噪声+捕获模式级信息

模块III: 线性组合→可解释表示 - 关键: R = Z ⊙ Q (元素级线性组合) - R直接线性传给分类层: ŷ = W·R + b - 因为线性→每个时间段的贡献=W·(Z_k·Q_k) - 正贡献→推向预测类; 负贡献→推离预测类

归因分数计算(f_att)¶

正归因\(\phi_k^+\): W·(Z_k·Q_k)中对预测类正贡献的部分
负归因\(\phi_k^-\): 对预测类负贡献的部分
非参数操作→直接从表示和权重计算→无需近似

与事后方法的根本区别¶

特性	事后方法	TimeSliver
归因来源	梯度/perturbation	架构内生
基准依赖	是	否
正/负归因	不区分	区分
忠实性	存疑	保证(线性)

实验关键数据¶

时间归因质量(7个数据集)¶

主实验¶

方法	归因准确率	说明
DeepLift	基线	事后
IntGrad	中	事后
Grad-CAM	低	不适合时序
SHAP	中	慢
Attention	低(不忠实)	内在
TimeSliver	+11%	内生线性

预测性能(26个UEA基准)¶

消融实验¶

方法	平均准确率	可解释性
SOTA(各种)	最好	无
TimeSliver	-2%(追平)	强

关键发现¶

线性组合不损失预测能力→可解释性和性能不矛盾
正/负归因→揭示哪些时间段"支持"vs"反对"预测→比单一归因更丰富
符号抽象→帮助忽略无关波动→关注结构模式
跨域一致→音频/睡眠/故障诊断都work

亮点与洞察¶

"线性=可解释的保证"：不是用复杂方法近似归因→而是用线性架构保证归因精确→设计层面解决问题。
"正+负归因"的信息量：知道某时间段"支持预测"还不够→还知道"反对预测"的时间段→为决策提供完整图景。
符号抽象的优雅：分箱看似简单→但压缩了不必要细节→让模型关注结构模式而非数值→类似人类的时序理解方式。
预测-可解释性的帕累托前沿：TimeSliver在两个轴上都好→不是牺牲一个换另一个。

评分¶

新颖性: ⭐⭐⭐⭐ 符号-线性分解的架构创新
实验充分度: ⭐⭐⭐⭐⭐ 7归因数据集+26UEA基准+12基线
写作质量: ⭐⭐⭐⭐ 可解释性概念清晰
价值: ⭐⭐⭐⭐ 对可解释时间序列分析有重要贡献