تتوالى الابتكارات في عالم الذكاء الاصطناعي، ويأتي إطار L2GTX ليكون أحد أبرز هذه التطورات. فعلى الرغم من أن نماذج التعلم العميق (Deep Learning Models) تحقق دقة عالية في تصنيف بيانات الوقت (Time Series Classification)، إلا أن فهم سلوك قراراتها لا يزال يشكل تحدياً كبيراً. تكمن المشكلة في صعوبة تقديم تفسيرات واضحة لهذه النماذج، خاصة مع الاعتماد على الأنماط الزمنية المعقدة والارتباطات في البيانات.

يطرح L2GTX حلاً بارعاً من خلال تقديم إطار عمل غير معتمد على نماذج معينة (Model-Agnostic Framework) قادر على إنتاج تفسيرات عالمية قائمة على الفئة (Class-Wise Global Explanations). الفكرة الأساسية تكمن في تجميع تفسيرات محلية (Local Explanations) من مجموعة ممثلة من الحالات، مما يسمح بفهم أعمق للأنماط المتكررة.

يستخرج L2GTX مجموعات من الأحداث الزمنية المهيكلة، مثل الاتجاهات المتزايدة أو المتناقصة، مع درجات أهمية لهذه الأنماط. ثم يتم دمج هذه المجموعات بين الحالات لتقليل التكرار، بينما تُستخدم مصفوفة أهمية المجموعة لتقدير الصلة العالمية. من خلال ميزانية محددة لاختيار الحالات، يضمن L2GTX اختيار أكبر عدد من الحالات المؤثرة التي تغطي مجموعة واسعة من الأنماط.

تظهر التجارب على ستة مجموعات بيانات زمنية شهيرة أن L2GTX ينتج تفسيرات عالمية مدمجة وقابلة للتفسير، مع الحفاظ على الثبات في مصداقية النتائج مقارنة بالتفسيرات المحلية. يُعد هذا الابتكار خطوة كبيرة نحو تعزيز الشفافية في نماذج الذكاء الاصطناعي.