Multi-SpaCE: Multi-Objective Subsequence-based Sparse Counterfactual Explanations for Multivariate Time Series Classification

Resumo Técnico: Multi-SpaCE

Declaração do Problema
Sistemas de aprendizado profundo, embora eficazes em tarefas complexas como a classificação de séries temporais multivariadas, muitas vezes carecem de transparência, o que dificulta sua implementação em domínios de alto risco. Explicações contrafatuais (CFEs) oferecem uma solução ao identificar as mudanças mínimas nos inputs necessárias para alterar a previsão de um modelo. No entanto, os métodos existentes de CFE para séries temporais enfrentam três limitações críticas:

1. Viés Univariado: Muitos métodos são restritos a dados univariados, falhando em abordar as complexidades das séries temporais multivariadas comuns em aplicações do mundo real (ex: saúde, finanças).
2. Restrições Rígidas: Abordagens frequentemente impõem subsequências de comprimento fixo ou limitam as modificações a uma única subsequência, reduzindo a flexibilidade e potencialmente introduzindo mudanças desnecessárias.
3. Problemas de Validade: A validade (garantir que o contrafactual realmente altere a classe prevista) é frequentemente tratada como um objetivo de otimização em vez de uma restrição estrita. Consequentemente, muitos métodos heurísticos falham em garantir explicações válidas, tornando seus outros métricas de desempenho (esparsidade, plausibilidade) sem sentido.

Metodologia: Multi-SpaCE
O artigo apresenta o Multi-SpaCE, um método de explicação contrafatual multiobjetivo projetado especificamente para séries temporais multivariadas. Ele estende o trabalho anterior dos autores, o Sub-SpaCE, integrando um framework de otimização multiobjetivo baseado no Algoritmo Genético de Ordenação Não Dominada II (NSGA-II).

• Mecanismo Central: O método gera contrafatuais ($x'$) identificando um "Vizinho Diferente Mais Próximo" (NUN — Nearest Unlike Neighbor) — a instância mais próxima de uma classe diferente — e substituindo subsequências específicas do input original ($x$) por valores do NUN.
• Adaptação Multivariada: Para lidar com dados multivariados, o Multi-SpaCE emprega uma estratégia de máscara dupla:
  • Máscara Comum: Uma única máscara binária compartilhada entre todos os canais, usada inicialmente para otimizar mudanças globais.
  • Máscara Independente: Uma máscara binária separada para cada canal, usada em estágios posteriores para refinar soluções e permitir modificações específicas por canal.
• Operadores de Mutação: O algoritmo genético utiliza operadores de mutação especializados, adaptados para séries temporais:
  • Extensão/Compressão de Subsequência: Modifica o comprimento dos segmentos de mudança contíguos existentes.
  • Remoção de Subsequência: Elimina subsequências inteiras para acelerar a convergência em cenários multivariados complexos.
• Funções Objetivo: A otimização equilibra quatro objetivos conflitantes sem ajuste manual de hiperparâmetros:
  1. Validade: Imposta estritamente via um termo de penalização elevado ($\nu$) para qualquer solução que não altere a classe prevista.
  2. Proximidade: Minimiza a distância entre as instâncias originais e contrafatuais.
  3. Esparsidade: Minimiza o número total de passos temporais alterados.
  4. Contiguidade: Minimiza o número de subsequências distintas de mudanças para aumentar a interpretabilidade.
  5. Plausibilidade: Penaliza desvios do manifold de dados usando um escore de outlier baseado em autoencoder.
• Saída: Em vez de uma única solução, o Multi-SpaCE retorna uma fronte de Pareto de soluções não dominadas, permitindo que os usuários finais selecionem as explicações que melhor se ajustam às suas preferências específicas de trade-off entre esparsidade, plausibilidade e contiguidade.

Principais Contribuições

1. Primeiro Método Multivariado Multiobjetivo: O Multi-SpaCE é apresentado como o primeiro método a fornecer um framework de otimização multiobjetivo especificamente para gerar contrafatuais válidos em classificação de séries temporais multivariadas.
2. Garantia de Validade Estrita: Ao contrário de muitas abordagens existentes que tratam a validade como uma restrição suave, o Multi-SpaCE a impõe como um requisito rígido, garantindo 100% de validade nos resultados experimentais.
3. Manipulação Flexível de Subsequências: O método evita restrições rígidas de comprimento fixo ou de subsequência única, utilizando um algoritmo genético para descobrir subsequências ideais de comprimento variável através de múltiplos canais.
4. Geração de Fronte de Pareto: Ao alavancar o NSGA-II, o método fornece um conjunto diversificado de soluções ótimas, eliminando a necessidade de os usuários ajustarem manualmente os pesos das funções de utilidade para equilibrar objetivos conflitantes.

Resultados Experimentais
Os autores avaliaram o Multi-SpaCE em 15 conjuntos de dados univariados e 10 multivariados dos arquivos UCR e UEA, comparando-o com baselines de estado da arte (ex: Native Guide, Glacier, COMTE, AB-CF, DiscoX).

• Validade: O Multi-SpaCE alcançou validade perfeita (1.0) em todos os datasets. Em contraste, muitos métodos baseline (particularmente em configurações multivariadas) mostraram taxas de validade significativamente menores, com alguns falhando em produzir contrafatuais válidos para a maioria das instâncias.
• Proximidade: Embora não seja explicitamente otimizada como um objetivo primário, o Multi-SpaCE alcançou escores de proximidade competitivos, ocupando o segundo lugar em média para datasets univariados e o primeiro para multivariados entre as soluções válidas.
• Plausibilidade: O Multi-SpaCE demonstrou plausibilidade robusta, classificando-se bem em diferentes modelos de detecção de outliers (Autoencoder, Isolation Forest, Local Outlier Factor). Notavelmente, manteve alta plausibilidade enquanto outros métodos com melhores escores frequentemente sofriam de baixa validade.
• Esparsidade e Contiguidade: O método equilibrou efetivamente esparsidade e o número de subsequências, alcançando os menores valores medianos em métricas combinadas para datasets tanto univariados quanto multivariados.

Significância e Alegações
O artigo afirma que o Multi-SpaCE aborda uma lacuna fundamental na explicabilidade de séries temporais ao garantir que as explicações contrafatuais sejam não apenas interpretáveis e esparsas, mas, crucialmente, válidas. Os autores argumentam que, sem validade garantida, outras métricas de desempenho são irrelevantes. Ao fornecer uma fronte de Pareto de soluções, o Multi-SPA CE oferece flexibilidade para diversas necessidades de usuários sem exigir experimentação extensiva para ajustar hiperparâmetros. O método é apresentado como uma ferramenta agnóstica ao modelo e computacionalmente eficiente, que supera as abordagens existentes em confiabilidade e adaptabilidade para aplicações do mundo real de séries temporais multivariadas. O trabalho futuro sugerido pelos autores inclui a integração de modelos generativos (VAEs, GANs) para modificações mais realistas e técnicas de geração amortizada para reduzir o overhead computacional.