Concept Extraction for Time Series with ECLAD-ts
paper-conference
Extracción y localización de conceptos en CNN de series temporales, con importancia basada en gradientes y validación en datos sintéticos y naturales.
Recursos
Historial de publicación
Preprint: 7 de abril de 2025. Presentado en xAI 2025 (9–11 de julio de 2025). Primera publicación en línea en Springer: 12 de octubre de 2025. La editorial indica 2026 como año de la cita para el volumen 2576 de CCIS.
Resumen
ECLAD-ts extiende la extracción de conceptos a CNN de series temporales mediante el agrupamiento de descriptores por instante, construidos a partir de mapas de activación de varias capas. Conserva información temporal y de los canales, localiza los conceptos y mide su influencia en las predicciones mediante gradientes del modelo. Los experimentos con datos sintéticos y naturales comparan el método con enfoques existentes y examinan las ventajas y limitaciones de estas explicaciones.
Cita
@inproceedings{holzapfel2026ecladts,
author = {Holzapfel, Antonia and Posada-Moreno, Andrés Felipe and Trimpe, Sebastian},
booktitle = {Explainable Artificial Intelligence},
date = {2026},
doi = {10.1007/978-3-032-08317-3_5},
pages = {90--112},
publisher = {Springer},
series = {Communications in Computer and Information Science},
title = {Concept Extraction for Time Series with ECLAD-ts},
volume = {2576}
}