Vertrauen und Transparenz durch nachvollziehbare automatisierte Entscheidungen

L3S Best Publication of the Quarter (1/2024)
Category: Time series modelling

MTS2Graph: Interpretierbare multivariate Zeitreihenklassifikation mit sich zeitlich entwickelnden Graphen  

Authors: Raneen Younis, Abdul Hakmeh, Zahra Ahmadi 

Published in the Q1 journal “Pattern Recognition Journal”  
https://www.sciencedirect.com/science/article/pii/S0031320324002371?via%3Dihub

Das Papier in Kürze: 

Unsere Forschungsarbeit stellt MTS2Graph vor, einen neuen Rahmen für die Klassifizierung multivariater Zeitreihendaten (MTS), die in Bereichen wie dem Gesundheits- und Finanzwesen von entscheidender Bedeutung sind. Im Gegensatz zu herkömmlichen Methoden konstruiert unser Ansatz einen Graphen, der die zeitlichen Beziehungen zwischen extrahierten Mustern erfasst und so die Interpretierbarkeit und Genauigkeit verbessert. Dieser Rahmen hilft dabei, den Entscheidungsprozess zu visualisieren, was ihn verständlicher und vertrauenswürdiger macht, insbesondere bei kritischen Anwendungen. 

Welches Problem lösen Sie mit Ihrer Forschung? 

Unsere Forschung befasst sich mit der Herausforderung, die Entscheidungen tiefer neuronaler Netze bei der Klassifizierung multivariater Zeitreihen sowohl interpretierbar als auch zuverlässig zu machen. Herkömmliche Methoden funktionieren oft als „Blackbox“, was es schwierig macht, ihre Ergebnisse zu verstehen oder ihnen zu vertrauen. MTS2Graph überwindet dieses Problem, indem es die einflussreichen Muster und ihre zeitliche Dynamik visualisiert und so neue Wege für die Analyse und das Verständnis komplexer, realer Datensätze eröffnet. 

Welche potenziellen Auswirkungen haben Ihre Ergebnisse? 

Die potenziellen Auswirkungen unserer Ergebnisse sind beträchtlich, insbesondere in Bereichen, in denen automatisierte Entscheidungen ein hohes Maß an Vertrauen und Transparenz erfordern, wie etwa im Gesundheits-, Finanz- und Rechtswesen. Indem wir die Interpretierbarkeit von Entscheidungen neuronaler Netze verbessern, kann unser Rahmenwerk Fachleuten in diesen Bereichen helfen, automatisierte Erkenntnisse zu verstehen und zu validieren, und so eine breitere Akzeptanz und Vertrauen in KI-Technologien fördern. 

Was ist das Neue an Ihrer Forschung? 

Unsere Forschung ist neu in ihrem Ansatz, Faltungsneuronale Netze mit der Graphentheorie zu kombinieren, um sowohl die Interpretierbarkeit als auch die Genauigkeit der Zeitreihenklassifizierung zu verbessern. Der MTS2Graph trägt nicht nur zu einem besseren Verständnis der Entscheidungsfindung des neuronalen Netzes bei, sondern verbessert auch die Klassifizierungsleistung, indem er die zeitlichen Beziehungen in den Daten effektiver als bestehende Methoden nutzt.