Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/39883Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Skandali, Iro | en |
| dc.contributor.author | Σκανδάλη, Ηρώ | el |
| dc.date.accessioned | 2026-03-16T11:07:35Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/39883 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Explainability | en |
| dc.subject | Time series classification | en |
| dc.subject | SHAP | en |
| dc.subject | Segmentation | en |
| dc.title | From local to global explainability in time series classification: segmentation-based SHAP and hierarchical explanations | en |
| dc.title | Από τις τοπικές στις συνολικές εξηγήσεις για ταξινόμηση χρονοσειρών: SHAP με τμηματοποίηση και ιεραρχικές Εξηγήσεις | el |
| dc.type | masterThesis | en |
| heal.type | masterThesis | el |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.classification | Machine Learning | |
| heal.dateAvailable | 2029-03-15T22:00:00Z | - |
| heal.language | en | el |
| heal.access | embargo | el |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή | el |
| heal.publicationDate | 2026 | - |
| heal.abstract | In this thesis, we study the problem of explaining univariate time series classification in diverse application domains, such as healthcare and finance. We consider both local explanations for individual instances and global explanations that summarize important regions at the dataset or class level. The challenge in time series explanation lies in temporal dependencies between values. Thus, treating each time point as an independent feature, or aggregating time points using windows of arbitrary length, would lead to a loss of temporal structure. This issue is addressed through segmentation, which finds meaningful segments. On top of these segments, we apply our SHAP-based method to estimate the contribution of each segment. The explanation output returns scores/SHAP values per segment, where the sign indicates whether a segment supports or contradicts the predicted class. For better granularity, we propose a variant of our method that provides a hierarchical explanation, i.e., within the highest-contributing segments, which sub-segments are most influential. Moreover, we extend our method with two algorithms for global explanations: either by aggregating local explanations, or by treating the whole dataset as a multivariate instance for the segmentation step. Finally, we evaluate against baselines in terms of faithfulness (how much removing the top-ranked segments affects the classifier’s output), robustness (how stable the explanations remain under noise perturbations), and runtime (computational cost). | en |
| heal.abstract | Στην παρούσα διπλωματική εργασία μελετάται το πρόβλημα της εξηγησιμότητας στην ταξινόμηση μονοδιάστατων χρονοσειρών σε ποικίλα πεδία εφαρμογής, όπως η υγεία και τα οικονομικά.Στόχος είναι να παραχθούν εξηγήσεις που βοηθούν στην κατανόηση της απόφασης ενός ταξινομητή, τόσο σε επίπεδο μεμονωμένου δείγματος (τοπικές εξηγήσεις) όσο και σε πιο συνολικό επίπεδο που συνοψίζει ποια χρονικά τμήματα είναι γενικά σημαντικά σε ένα σύνολο δεδομένων ή σε μια συγκεκριμένη κλάση (global εξηγήσεις). Η εξηγησιμότητα στις χρονοσειρές παρουσιάζει ιδιαίτερη δυσκολία λόγω των ισχυρών χρονικών εξαρτήσεων μεταξύ των τιμών. Σε αντίθεση με στατικά δεδομένα, όπου συχνά είναι λογικό να αντιμετωπίζονται τα χαρακτηριστικά ως ανεξάρτητα, στις χρονοσειρές η πληροφορία κωδικοποιείται σε διαδοχικές ακολουθίες και σε χρονικά μοτίβα. Επομένως, αν κάθε χρονικό σημείο θεωρηθεί ως ανεξάρτητο χαρακτηριστικό ή αν τα χρονικά σημεία ομαδοποιηθούν σε παράθυρα αυθαίρετου μήκους, είναι πιθανό να χαθεί κρίσιμη δομή του σήματος, όπως η μορφή, η διάρκεια και το μοτίβο των μεταβολών στο χρόνο. Για να αντιμετωπιστεί αυτό το πρόβλημα, η εργασία αξιοποιεί τμηματοποίηση (segmentation), δηλαδή διαδικασία που εντοπίζει “νοηματικά” και συνεκτικά χρονικά τμήματα τα οποία αντανακλούν καλύτερα τη φυσική δομή της χρονοσειράς. Πάνω στα τμήματα που προκύπτουν από την τμηματοποίηση εφαρμόζεται μια μέθοδος βασισμένη στο SHAP, με σκοπό την εκτίμηση της συνεισφοράς κάθε segment στην τελική πρόβλεψη του μοντέλου. Αντί να παράγονται αποδόσεις σημασίας ανά χρονικό σημείο, η μέθοδος αποδίδει βαθμολογίες/τιμές SHAP ανά segment. Με αυτόν τον τρόπο, η εξήγηση γίνεται πιο ερμηνεύσιμη, καθώς αναφέρεται σε συνεκτικές χρονικές περιοχές. Επιπλέον, το πρόσημο της τιμής SHAP επιτρέπει μια άμεση ερμηνεία: θετικές τιμές υποδεικνύουν ότι το συγκεκριμένο segment ενισχύει την πρόβλεψη της κλάσης που επιλέγει το μοντέλο, ενώ αρνητικές τιμές υποδεικνύουν ότι λειτουργεί ανταγωνιστικά ή “αντικρούει” την πρόβλεψη. Για μεγαλύτερη λεπτομέρεια στην ερμηνεία, προτείνεται μια παραλλαγή της μεθόδου που παρέχει ιεραρχική εξήγηση. Η κεντρική ιδέα είναι ότι ένα segment μπορεί να είναι συνολικά σημαντικό, αλλά η πραγματική “πηγή” της σημαντικότητας να εντοπίζεται σε ένα μικρότερο υποτμήμα του. Η ιεραρχική εξήγηση εστιάζει στα segments με τη μεγαλύτερη συνεισφορά και εξετάζει περαιτέρω ποια υπο-segments μέσα σε αυτά είναι τα πιο επιδραστικά. Έτσι, η εξήγηση αποκτά καλύτερη χωρική/χρονική ανάλυση χωρίς να χάνει τη συνοχή που προσφέρει η τμηματοποίηση. Πέρα από τις τοπικές εξηγήσεις, η εργασία επεκτείνει τη μεθοδολογία και σε global εξηγήσεις μέσω δύο εναλλακτικών αλγορίθμων. Στην πρώτη προσέγγιση, οι global εξηγήσεις προκύπτουν από συνάθροιση (aggregation) των τοπικών εξηγήσεων σε επίπεδο συνόλου δεδομένων ή κλάσης, ώστε να αναδειχθούν χρονικές περιοχές που επαναλαμβανόμενα εμφανίζονται ως σημαντικές. Στη δεύτερη προσέγγιση, το σύνολο δεδομένων αντιμετωπίζεται ως μία πολυδιάστατη (multivariate) “οντότητα” ειδικά στο βήμα της τμηματοποίησης, ώστε να εξαχθούν κοινά segments που αντανακλούν συνολικές δομές και όχι μεμονωμένες ιδιαιτερότητες ενός δείγματος. Με αυτόν τον τρόπο επιδιώκεται μια πιο συμπαγής και σταθερή απεικόνιση της σημαντικότητας σε επίπεδο dataset ή κλάσης. Τέλος, η προτεινόμενη μεθοδολογία αξιολογείται πειραματικά σε σύγκριση με baseline προσεγγίσεις χρησιμοποιώντας τρεις βασικούς άξονες αξιολόγησης. Πρώτον, εξετάζεται η faithfulness, δηλαδή κατά πόσο οι εξηγήσεις αντανακλούν πραγματικά τη συμπεριφορά του μοντέλου: αυτό μετριέται μέσω του πόσο μεταβάλλεται η έξοδος/πιθανότητα του ταξινομητή όταν αφαιρούνται ή αντικαθίστανται τα κορυφαία (top-ranked) segments που η μέθοδος θεωρεί σημαντικά. Δεύτερον, αξιολογείται η robustness, δηλαδή η σταθερότητα των εξηγήσεων όταν το σήμα υφίσταται μικρές διαταραχές (noise perturbations): μια robust μέθοδος θα πρέπει να διατηρεί παρόμοια κατάταξη/σημαντικότητα segments υπό ήπιες αλλαγές στα δεδομένα. Τρίτον, αναλύεται ο υπολογιστικός χρόνος (runtime), ώστε να αποτυπωθεί το πρακτικό κόστος της παραγωγής εξηγήσεων και η δυνατότητα εφαρμογής της μεθόδου σε ρεαλιστικά σενάρια. Συνολικά, η εργασία προτείνει ένα segmentation-based πλαίσιο εξηγήσεων τύπου SHAP για χρονοσειρές, το οποίο υποστηρίζει τόσο τοπική όσο και συνολική ερμηνεία, ενώ η ιεραρχική εκδοχή ενισχύει περαιτέρω τη λεπτομέρεια της εξήγησης στα σημαντικότερα χρονικά τμήματα. Η πειραματική αξιολόγηση, βασισμένη στα κριτήρια faithfulness και robustness, καθώς και στη μελέτη του χρόνου εκτέλεσης, προσφέρει μια ολοκληρωμένη εικόνα της αποτελεσματικότητας και της πρακτικής χρησιμότητας της προσέγγισης. | el |
| heal.advisorName | Πιτουρά, Ευαγγελία | el |
| heal.committeeMemberName | Πιτουρά, Ευαγγελία | el |
| heal.committeeMemberName | Τσαπάρας, Παναγιώτης | el |
| heal.committeeMemberName | Λύκας, Αριστείδης | |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής | el |
| heal.academicPublisherID | uoi | el |
| heal.numberOfPages | 132 | el |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΜΗΥΠ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Iro Skandali-Thesis.pdf | 1.96 MB | Adobe PDF | View/Open Request a copy |
This item is licensed under a Creative Commons License
