본 논문에서는 시계열 분류기(TSC)의 해석 가능성 향상을 위해 시계열을 단순화하는 방법을 평가하는 지표를 소개합니다. 시계열 데이터는 텍스트나 이미지 데이터와 달리 인간이 직관적으로 이해하기 어렵기 때문에 이러한 단순화가 중요합니다. 본 논문에서는 단순화의 복잡성(세그먼트 수)과 충실도(원래 시계열의 분류를 유지할 가능성)와 관련된 지표를 개발하고, 데이터 포인트의 하위 집합을 선택하는 단순화에 초점을 맞추어 연구합니다. 또한, 이러한 단순화가 Shapley value를 높여 해석 가능성을 높이는 데 기여함을 보입니다. 4가지 단순화 알고리즘을 다양한 TSC 알고리즘, 계절성, 정상성, 짧은 길이, 긴 길이 등 다양한 특성의 데이터셋에서 실험적으로 평가합니다. 인간 기반의 정방향 시뮬레이션 평가를 통해 개발된 지표의 실용성을 확인하고, 주어진 TSC에서 다양한 단순화가 해석 가능성을 높이는 데 기여할지 여부를 결정하기 위한 프레임워크를 제시합니다.
