English(EN) TempShap: When and How Much a Feature Matters in Time-Series Forecasting

新的TempShap框架为时间序列预测提供详细的特征归因

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-27 04:00

研究人员推出了一种新颖的时间序列预测模型解释框架TempShap。与将特征视为单一实体的现有方法不同，TempShap分析了时间窗口和预测范围内的单个输入单元。这种方法提供了特征何时具有影响力以及其影响如何随时间变化的详细剖析。该框架通过植入的时间结构、精确的单元博弈和封闭形式的归因预言机进行了验证，证明了其在实际应用以及各种预测基准和模型家族中的有效性。 AI

影响增强了时间序列模型的可解释性，有望改进AI驱动预测的调试和信任度。

排序理由该集群描述了一篇介绍新AI模型解释方法的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 9 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了一篇介绍新AI模型解释方法的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Chi Zhao, Anastasiia Chelnokova, Jing Liu, Elena Parilina · 2026-10-27 04:00

TempShap：在时间序列预测中，特征何时以及重要程度如何

arXiv:2610.33330v1 Announce Type: new Abstract: Attribution for a time-series forecaster should answer two questions that a feature-level scalar cannot: when in the input window a feature acts, and how much its influence changes across the forecast horizon. Most existing Shapley …

本文如何被排名

报道来源 [1]

TempShap：在时间序列预测中，特征何时以及重要程度如何

相关实体

相关话题