Framework unificado explica modelos de séries temporais com dois modos

Explicar séries temporais é mais difícil do que parece

Modelos que preveem séries temporais — consumo de energia, sinais médicos, tráfego de rede — tomam decisões que nem sempre são fáceis de explicar. Dois tipos de explicação disputam espaço: a atribuição de características, que destaca as partes mais importantes de uma sequência, e a explicação contrafactual, que gera uma sequência alterada visando um resultado diferente. Um novo pré-print propõe unificar os dois sob uma única regra de treino, o chamado gargalo de informação, no sistema batizado de TimeX++.

A ideia central

Em vez de tratar atribuição e contrafactuais como problemas separados, o TimeX++ os encara como duas faces do mesmo objetivo. Sua arquitetura combina um extrator de gargalo de atribuição compartilhado com geradores condicionados distintos — o TimeXa++ para atribuição e o TimeXcf++ para contrafactuais. Em termos simples, o gargalo de informação funciona como uma regra comum para decidir qual informação uma explicação deve reter.

Os números reportados

Nos testes sintéticos, o método superou os explicadores concorrentes em 9 de 12 casos, com ganhos médios de 11,01% em AUPRC e 10,87% em AUP em relação ao TimeX anterior. Nos benchmarks com dados reais, o TimeXa++ liderou sob diferentes perturbações, e o TimeXcf++ alcançou a maior validade e confiança nos quatro conjuntos de dados testados. A geração de contrafactuais na inferência foi reportada como mais de 100 vezes mais rápida que a linha de base contrafactual mais veloz.

Robustez e trocas

Em testes com 50% de ruído, o TimeXcf++ manteve validade acima de 0,8 nos dois conjuntos avaliados, embora validade e confiança diminuíssem conforme o ruído aumentava. A análise de ajuste de hiperparâmetros revelou uma troca típica: aumentar o parâmetro r melhorava validade e confiança, mas piorava esparsidade e proximidade. A atribuição se estabilizava quando r ficava entre 0,4 e 0,7.

O que isso significa na prática

Para setores regulados — saúde, finanças, energia — a explicabilidade não é luxo, é requisito. Um framework unificado que entrega tanto atribuições quanto contrafactuais, com ganho de velocidade na geração, reduz a fricção de adotar explicações em produção. O trabalho é um pré-print do arXiv (versão 1, de 26 de agosto de 2026), ainda não revisado por pares, e as evidências são os desempenhos medidos em dez conjuntos de benchmark sintéticos e reais.