연구진이 시계열 분류 모델의 예측에 필요한 부분(필요조건)까지 고려하는 TimePNS 프레임워크를 개발했어요. 기존 방법은 모델 예측을 뒷받침하지만 실제 결정에 필수적이지 않은 부분에 높은 중요도를 부여하는 문제점을 개선했어요. TimePNS는 인과적 개입을 통해 시간적 요인이 예측을 유지하는 데 필수적인지 평가하는 방식으로 작동해요.
연구는 합성 데이터와 실제 시계열 벤치마크에서 진행됐고, TimePNS가 기존 방법보다 결정적인 부분의 식별 정확도를 높이고 필요조건과 충분조건 간 균형을 개선하는 것을 확인했어요. TimePNS는 두 단계로 설계됐는데, 1단계에서는 식별 가능한 인과적 생성 과정을 학습하고 충분조건 지향적 설명 마스크를 생성하며, 2단계에서는 시간적 요인에 대한 반사실적 개입을 수행하여 필요 조건 신호를 도출하고 초기 설명을 개선해요.
TimePNS는 기존 방법의 한계를 극복하고 시계열 분류 모델의 설명 가능성을 높이는 데 기여할 것으로 기대돼요.