PHAR（Post-hoc Attribution Rules）は、時系列分類モデルの説明を向上させるための統合フレームワークです。既存の post-hoc、instance-wise 記述技法（LIME、SHAP など）から得られた数値的特徴の重要度を、人間が理解しやすい構造化されたルールに変換します。これらの規則は、重要な意思決定境界が発生する場所と時間を表す解釈可能な区間を定義し、モデルの透明性を向上させます。 PHARは、Anchorなどの従来のルールベースの方法と同様のパフォーマンスを示していますが、長い時系列シーケンスに対してより効率的に拡張され、より広いインスタンスカバレッジを達成します。重みの選択やラッソーベースの改善などの戦略を使用してルールセットを統合する専用のルールフュージョンフェーズを使用して、カバレッジ、信頼性、およびシンプルさなどの主要品質指標間のバランスをとります。この融合は、各インスタンスに簡潔で不明瞭なルールを提供し、説明の忠実度と一貫性の両方を向上させます。また、導出された規則で特異性 - 一般化トレードオフを示す可視化技術を紹介します。 PHARは、ラショモン現象の一般的な効果である矛盾して重複する説明を、一貫したドメインに適応可能な洞察力で解決します。 UCR / UEA時系列分類アーカイブの包括的な実験は、PHARが時系列分類作業の解釈性、意思決定透明性、および実用的な適用性を向上させることを示しています。
