Interpretabilni model dubokog učenja za nelinearne multivarijatne vremenske nizove

Autori u radu uvode DCIts (Deep Convolutional Interpreter for Time Series), model dubokog učenja za nelinearne multivarijatne vremenske nizove koji uz predviđanje daje i lokalno interpretabilan opis međudjelovanja u sustavu. Model za svaku prognozu određuje koji vremenski nizovi utječu na ciljni niz, pri kojim vremenskim kašnjenjima te s kojim predznakom i jačinom. Na skupovima podataka s poznatom strukturom međudjelovanja DCIts postiže konkurentnu točnost predviđanja i stabilno rekonstruira relevantne obrasce efektivne povezanosti.

Posebna je vrijednost rada u tome što DCIts spaja metode dubokog učenja s načinom razmišljanja bliskim fizici. Model ne daje samo numeričku prognozu, nego i efektivne jednadžbe međudjelovanja koje se mogu jasno interpretirati. Time se otvara mogućnost primjene u širokom rasponu kompleksnih dinamičkih sustava u kojima je cilj iz podataka razumjeti strukturu i dinamiku međudjelovanja.

Poveznice na rad:
https://pubs.aip.org/aip/cha/article-abstract/36/6/063116/3393809/Interpretable-deep-convolutional-model-for
https://arxiv.org/abs/2501.04339