복잡한 시계열 예측 모델의 해석은 시간 단계 간의 시간적 의존성과 시간에 따른 입력 특징의 역동적인 관련성으로 인해 어렵습니다. 기존의 해석 방법은 주로 분류 작업에 집중하고, 최신 시계열 모델 대신 사용자 정의 기준 모델을 사용하여 평가하고, 간단한 합성 데이터 세트를 사용하며, 다른 모델을 훈련해야 하는 등의 한계가 있습니다. 본 논문에서는 이러한 한계를 해결하는 새로운 해석 방법인 *Windowed Temporal Saliency Rescaling (WinTSR)*을 소개합니다. WinTSR은 과거 시간 단계 간의 시간적 의존성을 명시적으로 포착하고 이 시간적 중요도를 사용하여 특징 중요도를 효율적으로 조정합니다. WinTSR을 10가지 최근 해석 기법과 5가지 최첨단 다양한 아키텍처의 심층 학습 모델(시계열 기반 모델 포함)과 비교 분석했습니다. 시계열 분류 및 회귀 모두에 대해 3가지 실제 데이터 세트를 사용했습니다. 포괄적인 분석 결과, WinTSR은 전반적인 성능에서 다른 지역 해석 방법보다 상당히 우수한 성능을 보였습니다. 마지막으로, 최신 시계열 트랜스포머 및 기반 모델을 해석하기 위한 새로운 오픈소스 프레임워크를 제공합니다.
