深度分析
KARMA：K‑Order Markov Approximation 為多變量時間序列提供全域可驗證解釋
隨著金融、醫療與工業感測領域大量使用深度預測模型，解釋其時間依賴成為關鍵。研究推出 KARMA 以 K 階馬可夫近似建立全域解釋，能辨識最小有效歷史長度並提供五層說明。實驗顯示其在合成與真實天氣資料上比 TimeSHAP 等方法更精準且具認證保證。同時提升模型信任度。
深度分析
隨著金融、醫療與工業感測領域大量使用深度預測模型，解釋其時間依賴成為關鍵。研究推出 KARMA 以 K 階馬可夫近似建立全域解釋，能辨識最小有效歷史長度並提供五層說明。實驗顯示其在合成與真實天氣資料上比 TimeSHAP 等方法更精準且具認證保證。同時提升模型信任度。
C-SHAP
時間序列在能源、醫療與產業等場域被廣泛應用，但既有的可解釋性方法多半以單點或子序列為單位，難以反映模型可能依賴的高階模式。本文提出 C-SHAP，將 SHAP 的歸因單位從低階特徵替換為「概念」，並示範以時間序列分解構造趨勢、週期等概念，再以黑盒能源消費預測案例驗證方法可行性。