Buchumschlag

An Empirical Evaluation of Factors Affecting SHAP Explanation of Time Series Classification

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Serramazza, Davide Italo, Papadeas, Nikos, Abdallah, Zahraa, Ifrim, Georgiana
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Improving the Evaluation and Actionability of Explanation Methods for Multivariate Time Series Classification
von: Serramazza, Davide Italo, et al.
Veröffentlicht: (2024)

Time-Series Classification for Dynamic Strategies in Multi-Step Forecasting
von: Green, Riku, et al.
Veröffentlicht: (2024)

From Prototypes to Sparse ECG Explanations: SHAP-Driven Counterfactuals for Multivariate Time-Series Multi-class Classification
von: Mozolewski, Maciej, et al.
Veröffentlicht: (2025)

Epistemic Error Decomposition for Multi-step Time Series Forecasting: Rethinking Bias-Variance in Recursive and Direct Strategies
von: Green, Riku, et al.
Veröffentlicht: (2025)

Robust Explainer Recommendation for Time Series Classification
von: Nguyen, Thu Trang, et al.
Veröffentlicht: (2023)

SSET: Swapping-Sliding Explanation for Time Series Classifiers in Affect Detection
von: Fouladgar, Nazanin, et al.
Veröffentlicht: (2024)

Explanation Multiplicity in SHAP: Characterization and Assessment
von: Hwang, Hyunseung, et al.
Veröffentlicht: (2026)

GroupSegment-SHAP: Shapley Value Explanations with Group-Segment Players for Multivariate Time Series
von: Kim, Jinwoong, et al.
Veröffentlicht: (2026)

What-If Explanations Over Time: Counterfactuals for Time Series Classification
von: Schlegel, Udo, et al.
Veröffentlicht: (2026)

CAFO: Feature-Centric Explanation on Time Series Classification
von: Kim, Jaeho, et al.
Veröffentlicht: (2024)

SHAP-based Explanations are Sensitive to Feature Representation
von: Hwang, Hyunseung, et al.
Veröffentlicht: (2025)

On the Tractability of SHAP Explanations under Markovian Distributions
von: Marzouk, Reda, et al.
Veröffentlicht: (2024)

ContextualSHAP : Enhancing SHAP Explanations Through Contextual Language Generation
von: Dwiyanti, Latifa, et al.
Veröffentlicht: (2025)

Towards Piece-by-Piece Explanations for Chess Positions with SHAP
von: Spinnato, Francesco
Veröffentlicht: (2025)

Investigating Brain Connectivity and Regional Statistics from EEG for early stage Parkinson's Classification
von: Sahota, Amarpal, et al.
Veröffentlicht: (2024)

A Regime-Aware Fusion Framework for Time Series Classification
von: Chauhan, Honey Singh, et al.
Veröffentlicht: (2025)

ShapeX: Shapelet-Driven Post Hoc Explanations for Time Series Classification Models
von: Huang, Bosong, et al.
Veröffentlicht: (2025)

Choose Your Explanation: A Comparison of SHAP and GradCAM in Human Activity Recognition
von: Tempel, Felix, et al.
Veröffentlicht: (2024)

LLM-as-a-Judge for Time Series Explanations
von: Sivalingam, Preetham, et al.
Veröffentlicht: (2026)

Stratify: Unifying Multi-Step Forecasting Strategies
von: Green, Riku, et al.
Veröffentlicht: (2024)

Evaluating Simplification Algorithms for Interpretability of Time Series Classification
von: Håvardstun, Brigt, et al.
Veröffentlicht: (2025)

Interpreting Time Series Forecasts with LIME and SHAP: A Case Study on the Air Passengers Dataset
von: Shukla, Manish
Veröffentlicht: (2025)

TimeX++: Learning Time-Series Explanations with Information Bottleneck
von: Liu, Zichuan, et al.
Veröffentlicht: (2024)

TX-Gen: Multi-Objective Optimization for Sparse Counterfactual Explanations for Time-Series Classification
von: Huang, Qi, et al.
Veröffentlicht: (2024)

PUPAE: Intuitive and Actionable Explanations for Time Series Anomalies
von: Der, Audrey, et al.
Veröffentlicht: (2024)

Can LLM-Generated Textual Explanations Enhance Model Classification Performance? An Empirical Study
von: Dhaini, Mahdi, et al.
Veröffentlicht: (2025)

Efficient KernelSHAP Explanations for Patch-based 3D Medical Image Segmentation
von: Brioso, Ricardo Coimbra, et al.
Veröffentlicht: (2026)

TIMING: Temporality-Aware Integrated Gradients for Time Series Explanation
von: Jang, Hyeongwon, et al.
Veröffentlicht: (2025)

Explanation Space: A New Perspective into Time Series Interpretability
von: Rezaei, Shahbaz, et al.
Veröffentlicht: (2024)

PolySHAP: Extending KernelSHAP with Interaction-Informed Polynomial Regression
von: Fumagalli, Fabian, et al.
Veröffentlicht: (2026)

On Generating Explanations for Reinforcement Learning Policies: An Empirical Study
von: Yuasa, Mikihisa, et al.
Veröffentlicht: (2023)

A Polynomial-Time Axiomatic Alternative to SHAP for Feature Attribution
von: Hiraki, Kazuhiro, et al.
Veröffentlicht: (2026)

Interaction Tensor SHAP
von: Hasegawa, Hiroki, et al.
Veröffentlicht: (2025)

L2GTX: From Local to Global Time Series Explanations
von: Mekonnen, Ephrem Tibebe, et al.
Veröffentlicht: (2026)

On the Feasibility of Vision-Language Models for Time-Series Classification
von: Prithyani, Vinay, et al.
Veröffentlicht: (2024)

AsyncVoice Agent: Real-Time Explanation for LLM Planning and Reasoning
von: Lin, Yueqian, et al.
Veröffentlicht: (2025)

Hidden Leaks in Time Series Forecasting: How Data Leakage Affects LSTM Evaluation Across Configurations and Validation Strategies
von: Albelali, Salma, et al.
Veröffentlicht: (2025)

Towards trustable SHAP scores
von: Letoffe, Olivier, et al.
Veröffentlicht: (2024)

CS-SHAP: Extending SHAP to Cyclic-Spectral Domain for Better Interpretability of Intelligent Fault Diagnosis
von: Chen, Qian, et al.
Veröffentlicht: (2025)

An Empirical Study and Theoretical Explanation on Task-Level Model-Merging Collapse
von: Cao, Yuan, et al.
Veröffentlicht: (2026)