PHAR(Post-hoc Attribution Rules)는 시계열 분류 모델에 대한 설명성을 높이기 위한 통합 프레임워크입니다. 기존의 post-hoc, instance-wise 설명기법(LIME, SHAP 등)으로부터 얻은 수치적 특징 중요도를 사람이 이해하기 쉬운 구조화된 규칙으로 변환합니다. 이 규칙들은 중요한 의사결정 경계가 발생하는 위치와 시간을 나타내는 해석 가능한 구간을 정의하여 모델의 투명성을 향상시킵니다. PHAR은 Anchor와 같은 기존의 규칙 기반 방법들과 유사한 성능을 보이면서도, 긴 시계열 시퀀스에 대해 더 효율적으로 확장되고 더 넓은 인스턴스 적용 범위를 달성합니다. 가중치 선택 및 라쏘 기반 개선과 같은 전략을 사용하여 규칙 집합을 통합하는 전용 규칙 융합 단계를 통해 적용 범위, 신뢰도 및 단순성과 같은 주요 품질 지표 간의 균형을 맞춥니다. 이 융합은 각 인스턴스에 간결하고 모호하지 않은 규칙을 제공하여 설명의 충실도와 일관성을 모두 향상시킵니다. 또한 도출된 규칙에서 특이성-일반화 절충 관계를 보여주는 시각화 기법을 소개합니다. PHAR은 라쇼몬 현상의 일반적인 효과인 상충되고 중복되는 설명을 일관되고 도메인에 적응 가능한 통찰력으로 해결합니다. UCR/UEA 시계열 분류 아카이브에 대한 포괄적인 실험은 PHAR이 시계열 분류 작업에 대한 해석성, 의사결정 투명성 및 실용적인 적용 가능성을 향상시킨다는 것을 보여줍니다.
