TimeSliver : Symbolic-Linear Decomposition for Explainable Time Series Classification

Die Arbeit stellt TimeSliver vor, ein neuartiges, erklärbares Deep-Learning-Framework für die Zeitreihenklassifizierung, das durch die symbolisch-lineare Zerlegung von Rohdaten und deren symbolischer Abstraktion eine präzise Zuordnung von Wichtigkeitswerten zu einzelnen Zeitpunkten ermöglicht und dabei sowohl die Vorhersagegenauigkeit als auch die Erklärbarkeit im Vergleich zu bestehenden Methoden signifikant verbessert.

Das Wesentliche

🕵️‍♂️ TimeSliver: Der Detektiv für Zeitreihen

Stell dir vor, du hast einen riesigen, chaotischen Musikmix (eine Zeitreihe), der aus tausenden von Tönen besteht. Ein Computer-KI-Modell hört diesen Mix an und sagt: "Das ist ein Hund, der bellt!" oder "Das ist ein Herz, das einen Herzinfarkt hat!"

Das Problem? Die KI ist wie ein Blackbox-Zauberer. Sie gibt dir die Antwort, aber sie sagt dir nicht, welche Töne oder welche Sekunden im Mix sie dazu gebracht haben, diese Entscheidung zu treffen. War es das Bellen in Sekunde 3? Oder das Knurren in Sekunde 45?

Bisherige Methoden, um das herauszufinden, waren wie ein blinder Koch, der probiert, indem er Zutaten einzeln weglässt, aber oft die falschen Zutaten beschuldigt oder sich von der Lautstärke (der "Referenz") täuschen lässt.

TimeSliver ist der neue, clevere Detektiv, der das Rätsel löst.

---

🧩 Wie funktioniert TimeSliver? (Die drei Schritte)

TimeSliver schaut sich den Musikmix nicht einfach nur an. Es zerlegt ihn in drei clevere Schritte:

1. Die "Fotokopie" (Latente Repräsentation)

Stell dir vor, du nimmst den langen Musikmix und schneidest ihn in viele kleine, überlappende Fenster (wie bei einem Film).

• Was passiert: TimeSliver schaut sich jedes kleine Fenster an und merkt sich: "Aha, hier ist ein kurzes, schnelles Geräusch" oder "Hier ist ein langes, tiefes Summen".
• Die Analogie: Es ist wie ein Musiker, der die Noten aufschreibt. Er ignoriert das Rauschen und notiert nur die wichtigen Melodie-Fragmente.

2. Die "Stempel-Sammlung" (Symbolische Abstraktion)

Jetzt wird es kreativ. TimeSliver nimmt den ursprünglichen Mix und drückt ihn durch einen Stempel.

• Was passiert: Statt sich die exakte Lautstärke (z. B. 0,45 Volt) zu merken, sagt es: "Das war ein 'lautes' Geräusch" oder "Das war ein 'leises' Geräusch". Es wandelt die Zahlen in Symbole um (wie Buchstaben in einem Wort).
• Die Analogie: Stell dir vor, du hast einen riesigen Stapel mit verschiedenen Farben. TimeSliver sortiert sie nicht nach dem genauen Farbton (Hex-Code), sondern packt sie in drei Schubladen: Rot, Gelb, Blau.
• Warum das wichtig ist: Wenn jemand die Farbe "Rot" etwas heller macht, ist es immer noch "Rot". Das macht das System robust gegen kleine Störungen oder laute Hintergrundgeräusche.

3. Der "Tisch-Abgleich" (Lineare Kombination)

Jetzt bringt TimeSliver die beiden Welten zusammen: Die Noten (Schritt 1) und die Farben/Symbole (Schritt 2).

• Was passiert: Es legt die "Noten" auf die "Farben" und rechnet aus: "Wenn ich 'lautes Bellen' (Symbol) mit 'schnellem Rhythmus' (Note) verbinde, dann ist das ein starker Hinweis auf einen Hund."
• Die Magie: Weil diese Rechnung linear ist (einfaches Addieren und Multiplizieren), kann TimeSliver genau zurückrechnen: "Oh, dieser Hinweis kam zu 80% aus Sekunde 3 und zu 20% aus Sekunde 4."

---

🌟 Was macht TimeSliver so besonders?

1. Es kennt das "Gute" und das "Schlechte"

Frühere Methoden sagten oft nur: "Dieser Teil war wichtig."
TimeSliver sagt: "Dieser Teil hat geholft (positiver Beitrag), und dieser Teil hat gestört (negativer Beitrag)."

• Analogie: Stell dir vor, du bereitest einen Kuchen zu.
  • Positiv: "Das Mehl hat geholfen, den Teig zu binden."
  • Negativ: "Das Salz hat den Kuchen verdorben."
  • TimeSliver kann dir genau sagen, welcher Löffel Salz den Kuchen ruiniert hat.

2. Es ist schnell und effizient

Viele andere KI-Modelle sind wie riesige, langsame Elefanten, die viel Strom brauchen. TimeSliver ist wie ein Fuchs: klein, wendig und sehr effizient. Es braucht viel weniger Rechenleistung, liefert aber genauso gute Ergebnisse wie die "Elefanten".

3. Es funktioniert überall

Ob es um Herzschläge (Medizin), Maschinengeräusche (Industrie) oder Tiergeräusche (Umwelt) geht – TimeSliver passt sich an. Es hat sich in Tests gegen 12 andere Methoden durchgesetzt und war in 7 von 7 Fällen der Beste.

---

🎯 Warum ist das wichtig für uns?

Stell dir vor, du bist ein Arzt. Eine KI sagt dir: "Der Patient hat eine 90%ige Wahrscheinlichkeit für eine Krankheit."

• Ohne TimeSliver: Du weißt nicht, warum. Vertraust du der KI?
• Mit TimeSliver: Die KI zeigt dir genau den Teil des EKGs (Herzschlags), der verdächtig ist. "Schauen Sie hier, in dieser Sekunde ist der Rhythmus falsch."

Das schafft Vertrauen. Es hilft uns zu verstehen, warum die KI entscheidet, was sie entscheidet. Das ist besonders wichtig in Bereichen wie Medizin, Recht oder Finanzen, wo Fehler teuer oder gefährlich sein können.

🚀 Fazit

TimeSliver ist wie ein Übersetzer, der die komplexe Sprache der KI in eine einfache, verständliche Geschichte verwandelt. Es zerlegt den Zeitstrahl in kleine, sinnvolle Stücke, vergleicht sie mit Symbolen und sagt uns genau: "Hier war der Schlüssel zum Erfolg, und hier war der Fehler."

Es ist nicht nur ein smarter Algorithmus, sondern ein transparenter Partner, der uns hilft, die Entscheidungen der Maschinen besser zu verstehen.

Technische Zusammenfassung

1. Problemstellung

Tiefe Lernmodelle (wie CNNs, LSTMs und Transformer) erzielen zwar hohe Vorhersagegenauigkeiten bei der Klassifizierung von Zeitreihen, gelten jedoch oft als „Blackbox". Bestehende Methoden zur Nachträglichen Erklärung (Post-hoc Explainability) wie Gradienten-basierte Ansätze (z. B. Grad-CAM, Integrated Gradients) oder SHAP-Werte leiden unter mehreren Mängeln:

• Referenz-Sensitivität: Ihre Ergebnisse hängen stark von der Wahl der Referenzdaten ab.
• Fehlende Generalisierung: Sie behandeln Zeitpunkte oft unabhängig und ignorieren sequenzielle Abhängigkeiten.
• Unzuverlässigkeit: Selbst bei Transformer-Modellen korrelieren die Aufmerksamkeitsgewichte (Attention Weights) oft nicht mit der tatsächlichen Wichtigkeit der Eingabe (Unfaithfulness).
• Multivariate Komplexität: Viele existierende Methoden sind nicht gut auf multivariate Zeitreihen übertragbar oder skalieren schlecht.

Das Ziel ist es, ein Modell zu entwickeln, das nicht nur präzise klassifiziert, sondern auch faithful (treue) und interpretierbare Attributions-Scores für jeden Zeitpunkt liefert, die sowohl positive als auch negative Beiträge zur Vorhersage quantifizieren.

2. Methodik: TimeSliver

TimeSliver ist ein neuartiges Deep-Learning-Framework, das Rohdaten und ihre symbolische Abstraktion kombiniert, um eine lineare, erklärbare Repräsentation zu konstruieren. Der Ansatz besteht aus drei modularen Schritten:

Modul I: Latente Repräsentation zeitlicher Segmente

• Die rohe multivariate Zeitreihe $x_i$ (Länge $L$, $v$ Merkmale) wird in überlappende zeitliche Segmente der Länge $m$ zerlegt.
• Ein 1D-CNN (mit trainierbaren Gewichten $\theta_q$) extrahiert aus jedem Segment einen latenten Merkmalsvektor.
• Ergebnis: Eine Matrix $Q \in \mathbb{R}^{\kappa \times q}$, wobei $\kappa$ die Anzahl der Segmente und $q$ die latente Dimension ist. Diese Matrix erfasst lokale zeitliche Muster.

Modul II: Symbolische Zusammensetzung (Symbolic Composition)

• Die Rohdaten werden diskretisiert (Binning), um eine symbolische Matrix $s_i$ zu erzeugen. Jeder Wert wird in eine von $n$ Kategorien eingeordnet.
• Diese symbolische Matrix wird in eine One-Hot-kodierte Matrix $O$ umgewandelt.
• Durch Anwendung eines gleitenden Fensters (Average Pooling) auf $O$ entsteht eine symbolische Zusammensetzungsmatrix $Z \in \mathbb{R}^{\kappa \times (n \cdot v)}$.
• Jeder Eintrag in $Z$ repräsentiert die normalisierte Häufigkeit eines symbolischen Musters innerhalb eines Segments. Dies fungiert als „Bag-of-Stencils" (Taschenbuch der Schablonen) und bietet eine skaleninvariante Darstellung, die robust gegenüber absoluten Magnituden der Eingabewerte ist.

Modul III: Globale lineare Interaktion

• Um globale Interaktionen zwischen den Segmenten zu erfassen, wird eine Kreuzrepräsentationsmatrix $P$ berechnet:
  $$P = Z^\top Q$$
• $P \in \mathbb{R}^{(n \cdot v) \times q}$ aggregiert die linearen Beziehungen zwischen den symbolischen Mustern und den latenten Merkmalen.
• Vorteil: Die Größe von $P$ ist unabhängig von der Sequenzlänge $L$, was zu effizienteren Modellen mit weniger Parametern führt.
• Für Aufgaben, die eine explizite zeitliche Reihenfolge erfordern, können sinusförmige Positionscodierungen in Modul I hinzugefügt werden.
• Die Matrix $P$ wird durch eine lineare Schicht (Parameter $\theta_c$) auf die Klassen-Logits projiziert, um die Vorhersage $\hat{y}_i$ zu treffen.

Berechnung der temporalen Attribution

Das Kernstück der Erklärbarkeit liegt in der Zerlegung der Vorhersage:

• Da die Projektion von $P$ auf die Logits linear ist, kann der Einfluss jedes Elements $P_{ij}$ auf die Vorhersage durch partielle Ableitungen bestimmt werden.
• Mittels der ReLU-Funktion werden positive und negative Beiträge getrennt:
  • Positive Attribution ($\phi^+$): Misst, wie stark ein Segment die Vorhersage in Richtung der vorhergesagten Klasse treibt.
  • Negative Attribution ($\phi^-$): Misst, wie stark ein Segment die Vorhersage von der Klasse wegtreibt.
• Dies ermöglicht eine vollständige Aufschlüsselung der Entscheidung des Modells in fördernde und hemmende Zeitabschnitte.

3. Hauptbeiträge

1. Neues Framework: TimeSliver kombiniert symbolische und latente Repräsentationen linear, um eine skalierbare und interpretierbare Darstellung für multivariate Zeitreihen zu schaffen.
2. Positive und negative Attribution: Im Gegensatz zu vielen Methoden, die nur positive Wichtigkeit anzeigen, liefert TimeSliver Scores für beide Richtungen, was ein vollständigeres Bild der Entscheidungsfindung ermöglicht.
3. Skaleninvarianz: Durch die Nutzung symbolischer Häufigkeiten statt roher Werte werden Schein-Attributionen durch hohe Magnituden (ohne semantische Relevanz) vermieden.
4. Umfassende Evaluation: Das Modell wurde auf synthetischen und realen Datensätzen (Audio, Schlafphasen, Maschinendefekte) gegen 12 Baseline-Methoden getestet.

4. Ergebnisse

• Erklärbarkeit (Explainability):
  • Auf 4 synthetischen Datensätzen übertraf TimeSliver die besten Baseline-Methoden (wie TimeX++, COLOR, Grad-SAM) im Durchschnitt um 18% (gemessen am AUPRC-Score).
  • Auf realen Datensätzen (EEG, Audio, FordA) erzielte TimeSliver eine um 2% höhere Leistung bei der Identifizierung kritischer positiver Zeitpunkte (gemessen an $I(20)$, der Fläche unter der Entmaskierungs-Kurve).
  • Bei der Identifizierung negativ beitragender Zeitpunkte (Maskierung führt zu einer Erhöhung der Logits) war TimeSliver auf dem EEG-Datensatz um 60% effektiver als die nächstbeste Baseline.
• Vorhersageleistung (Predictive Performance):
  • Auf dem UEA-Benchmark (26 multivariate Zeitreihen-Datensätze) erreichte TimeSliver eine Vorhersagegenauigkeit, die innerhalb von 2% der State-of-the-Art-Baselines lag.
  • Es zeigte besonders starke Leistungen bei langen Sequenzen (>1000 Zeitpunkte) und bei elektrischen Biosignalen.
• Effizienz: Der GFLOP-Bedarf skaliert linear mit der Anzahl der Bins und Segmentgrößen und liegt 5–10 Mal niedriger als bei Transformer-Modellen.

5. Bedeutung und Fazit

TimeSliver adressiert die Lücke zwischen hoher Vorhersagegenauigkeit und echter Interpretierbarkeit in der Zeitreihenanalyse. Durch die Vermeidung von nicht-linearen „Blackbox"-Mechanismen für die Attribution (wie bei Attention-Weights) und die Nutzung einer linearen Zerlegung bietet das Modell treue Erklärungen, die den tatsächlichen Einfluss der Eingabedaten widerspiegeln.

Die Fähigkeit, sowohl positive als auch negative Einflüsse zu identifizieren, ist besonders wertvoll für hochriskante Domänen wie die Gesundheitsversorgung (z. B. Schlafphasen-Erkennung) oder die Industrie (Fehlerdiagnose), wo das Verständnis von warum ein Modell eine Entscheidung trifft, ebenso wichtig ist wie die Entscheidung selbst. TimeSliver etabliert sich somit als ein robuster, effizienter und transparenter Standard für die Zeitreihenklassifizierung.