Nearest Unlike Neighbour

新的IMFACT框架为时间序列分类器生成可信的反事实解释

研究人员开发了IMFACT，一个用于为时间序列分类器生成反事实解释的新框架。这种模型无关的方法在经验模态分解的分解空间内运行，将输入信号分解为内在模态函数（IMFs）。通过用来自最近不同邻居（NUN）的IMFs替换选定的IMFs，IMFACT旨在将分类器的预测翻转到目标类别，同时保持可信度。在基准数据集上的实验表明，具有多个NUN的基于方差的策略在可靠性和可信度方面优于现有的基线技术。