GALACTIC: 시계열 클러스터링을 위한 전역 및 지역 독립적인 반사실 설명

GALACTIC: Global and Local Agnostic Counterfactuals for Time-series Clustering

시계열 클러스터링은 패턴 발견을 위한 기본적인 도구이지만, 기존의 설명 가능성 방법들은 주로 특징 기여도 또는 메타데이터에 기반하여, 인스턴스를 클러스터 경계를 넘어 이동시키는 전환점을 식별하지 못합니다. 반사실 설명(Counterfactual Explanations, CE)은 모델의 예측을 변경하는 데 필요한 최소한의 시간적 변화를 식별하지만, 대부분 지도 학습 환경으로 제한되어 왔습니다. 본 논문에서는 시계열 클러스터링을 위한 지역 및 전역 반사실 설명 가능성을 통합하는 첫 번째 프레임워크인 GALACTIC을 소개합니다. 인스턴스 수준(지역)에서 GALACTIC은 목표 및 기본 클러스터 할당을 존중하는 클러스터 인지 최적화 목표를 통해 변화를 생성합니다. 클러스터 수준(전역)에서, 인지 부하를 줄이고 해석 가능성을 높이기 위해, 대표적인 반사실 설명을 선택하는 문제를 정의합니다. 우리는 전역 설명의 중복을 줄이고 클러스터 간의 전환을 특징짓는 간결한 요약 정보를 추출하기 위해 최소 기술 길이(Minimum Description Length, MDL) 목표를 제안합니다. 우리의 MDL 목표가 초모듈러(supermodular)임을 증명했으며, 이는 해당 MDL 감소를 단조 부분 모듈러 집합 함수로 표현할 수 있음을 의미합니다. 이를 통해 효율적인 탐욕적 선택 알고리즘을 개발했으며, 이는 (1-1/e)의 근사 보장 성능을 갖습니다. UCR 아카이브에 대한 광범위한 실험 평가 결과, GALACTIC은 기존 방법론에 비해 현저히 간결한 지역 반사실 설명과 더 간결한 전역 요약 정보를 제공하며, 반사실 설명을 통해 클러스터링된 시계열을 해석하는 첫 번째 통합 접근 방식을 제시합니다.

Time-series clustering is a fundamental tool for pattern discovery, yet existing explainability methods, primarily based on feature attribution or metadata, fail to identify the transitions that move an instance across cluster boundaries. While Counterfactual Explanations (CEs) identify the minimal temporal perturbations required to alter the prediction of a model, they have been mostly confined to supervised settings. This paper introduces GALACTIC, the first unified framework to bridge local and global counterfactual explainability for unsupervised time-series clustering. At instance level (local), GALACTIC generates perturbations via a cluster-aware optimization objective that respects the target and underlying cluster assignments. At cluster level (global), to mitigate cognitive load and enhance interpretability, we formulate a representative CE selection problem. We propose a Minimum Description Length (MDL) objective to extract a non-redundant summary of global explanations that characterize the transitions between clusters. We prove that our MDL objective is supermodular, which allows the corresponding MDL reduction to be framed as a monotone submodular set function. This enables an efficient greedy selection algorithm with provable $(1-1/e)$ approximation guarantees. Extensive experimental evaluation on the UCR Archive demonstrates that GALACTIC produces significantly sparser local CEs and more concise global summaries than state-of-the-art baselines adapted for our problem, offering the first unified approach for interpreting clustered time-series through counterfactuals.