Beyond Sufficiency: Time Series Explanation with Counterfactual Necessity
超越充分性：基于反事实必要性的时间序列解释框架
🧭 时间序列解释 · 反事实必要性
University of Bristol
提出 TimePNS，利用反事实干预量化时间序列解释的必要性，过滤虚假子序列，提升解释保真度
📌 工作参考价值
- 针对用户行为序列推荐模型的可解释性，可借鉴两步设计：先学习充分性掩码，再利用反事实干预剔除噪音行为，识别真正驱动推荐的关键交互。
- 在广告点击序列归因中，用必要性信号替代纯充分性打分，有助于排除偶然关联的曝光，提升关键触点的定位精度。
- 整体框架与推荐场景差异较大，直接迁移成本高，更适合作为序列解释的理论参考。
动机：现有时间序列解释方法主要追求充分性——找出能独立保持分类器预测的子序列，但这类方法容易将虚假相关但非因果必要的片段赋予高重要性。为此，论文引入 Pearl 的反事实必要性概念，定义真正必要的时序因子为：若对其干预，原预测会被破坏。
方法：提出 TimePNS 两阶段框架。Stage I 基于可识别的因果生成过程学习一个充分性导向的解释掩码，同时建模时序变量的潜在因果因子。Stage II 对潜在因子实施反事实干预，通过比较干预前后预测的变化生成必要性信号，进而训练一个时序门控，抑制非必要成分、放大反事实必要的子序列，得到精炼解释。
结果：在合成数据和多个真实世界时间序列基准上，TimePNS 相比强基线（如 Dynamask、Extrmask）更准确地识别决策关键子序列，在充分性-必要性权衡指标上取得一致提升，验证了必要性信号对过滤虚假解释的有效性。