IMFACT、時系列データに「もしも」を問う：固有モード関数で反実仮想説明を生成

時系列AIの「なぜ」を解き明かす新手法

産業機械の故障検知や医療における生体信号分析など、時系列データは多岐にわたる分野で重要な役割を担っています。これらのデータからAIが特定の判断を下す際、その判断根拠を理解することは、AIシステムの信頼性を高め、実用化を進める上で不可欠です。特に「もしもデータがこうだったら、AIの判断はどう変わったか」という反実仮想説明（Counterfactual Explanations）は、AIの意思決定プロセスを深く理解するための強力なツールとなります。

しかし、振動信号のような時系列データは、その時間構造が非常に繊細です。生の特徴空間で反実仮想分析を行おうとすると、この時間構造が容易に破壊され、物理的にありえない、つまり現実世界では起こり得ないような結果を生成してしまうという課題がありました。この度、この課題を解決する新たなモデル非依存フレームワーク「IMFACT」が発表されました。

従来の課題とIMFACTのアプローチ

従来の反実仮想説明手法では、時系列データに直接摂動を加えることが一般的でした。しかし、これにより信号の位相や周波数特性が不自然に変化し、人間が見ても「これは現実にはありえない」と判断されるような、物理的に妥当性を欠く説明が生成されることが多々ありました。例えば、機械の振動パターンが急激に、かつ不自然に変化するような説明は、故障診断の現場では受け入れられにくいものです。

IMFACTは、この問題を解決するために、経験的モード分解（Empirical Mode Decomposition, EMD）という手法に着目しました。EMDは、複雑な信号を複数の単純な振動成分（固有モード関数、Intrinsic Mode Functions: IMFs）に分解する非線形・非定常信号解析手法です。IMFACTは、この分解されたIMF空間で操作を行うことで、信号の基本的な時間構造を維持しつつ、分類器の判断を反転させるような「もしも」のシナリオを生成します。

固有モード関数（IMF）とIMFACTの動作原理

固有モード関数（IMF）とは、EMDによって元の信号から抽出される、異なる周波数帯域を持つ振動成分です。各IMFは、単一の振動モードを表し、その振幅と周波数は時間とともに変化します。IMFACTは、まず入力された時系列信号をEMDによって複数のIMFに分解します。これにより、信号が持つ様々な振動特性が個別の成分として明確になります。

次に、IMFACTはこれらのIMFの中から特定のIMFを選択し、「Nearest Unlike Neighbour (NUN)」と呼ばれる、分類器が異なるクラスに分類する最も近いデータ点のIMFと置き換えます。このIMFの置換は、分類器がターゲットとするクラスに判断を反転させるまで、段階的に繰り返されます。このプロセスにより、信号の全体的な時間構造を大きく損なうことなく、AIの判断を変える最小限の変化を特定することが可能になります。IMFACTは、6つの異なるIMF選択戦略と、複数のNUNを循環させる拡張機能も提供しています。

評価結果と業界へのインパクト

IMFACTは、UCRベンチマークの「FaultDetectionA」と「FruitFlies」という2つのデータセットを用いて評価されました。これらのベンチマークは、それぞれ機械の故障検知と昆虫の活動パターン分析といった、時系列データの分類タスクをシミュレートするものです。

評価の結果、分散ベースのIMF選択戦略と3つのNUNを組み合わせたIMFACTが、信頼性と妥当性の両方の指標において、既存の主要なベースライン手法を上回る性能を示しました。また、3つのNUNを循環させることで、生成される反実仮想説明の元のデータに対する「近接性」が向上することも確認されました。これは、AIの判断を反転させるために必要な変更がより小さく、現実的な範囲に収まることを意味します。

この技術は、時系列AIの透明性を飛躍的に向上させる可能性を秘めています。特に、産業分野における予知保全や医療診断など、AIの判断が人命や資産に直結する場面で、その判断根拠を物理的に妥当な形で説明できることは、AIシステムの導入と信頼獲得において極めて重要です。IMFACTは、AIが「なぜ」そう判断したのかを、より深く、より現実的な形で理解するための強力な手段となるでしょう。