Shapelets(셰이플릿), 즉 시계열 내의 판별적인 시간적 패턴(discriminative temporal patterns)을 발견하는 것은 시계열 분류 (TSC, Time-Series Classification)의 내재적인 복잡성을 해결하고 모델의 의사 결정 과정을 더 투명하게 만들기 위해 널리 연구되어 왔습니다. 그러나 기존 방법들은 주로 전체 데이터셋에 걸쳐 최적화된 집단 수준(population-level)의 shapelets에 초점을 맞추고 있으며, 이는 두 가지 근본적인 한계로 이어집니다: (i) 집단 수준의 패턴은 종종 개별 인스턴스 특성(instance-specific features)과 일치하지 않아 최적화되지 않은 성능을 초래하고 잠재적으로 오해의 소지가 있는 해석을 낳을 수 있으며, (ii) 대부분의 방법은 shapelets를 독립적인 엔티티로 취급하여 여러 패턴 사이의 중요한 시간적 의존성(temporal dependencies)과 상호작용을 간과합니다. 이러한 한계를 해결하기 위해, 우리는 각 시계열에 특화된 가변 길이의 판별적 시간적 패턴을 발견하는 해석 가능한 TSC 프레임워크인 INSHAPE를 제안합니다. INSHAPE는 이러한 패턴들을 중복되지 않는 세그먼트(segments)로 식별하고 그들의 시간적 의존성을 모델링함으로써, 강력한 예측 성능을 달성하는 동시에 명확한 인스턴스 수준의 해석을 제공합니다. 나아가, INSHAPE는 인스턴스 수준의 shapelets를 원형(prototypical, 집단 수준) shapelets로 집계하는 상향식(bottom-up) 접근 방식을 통해 국소적(local) 해석 가능성과 전역적(global) 해석 가능성을 연결합니다. 128개의 UCR 및 30개의 UEA 벤치마크 데이터셋에 대한 광범위한 실험 결과, INSHAPE는 더 직관적이고 해석 가능한 통찰력을 제공하는 동시에 최신(state-of-the-art) shapelet 기반 방법들을 일관되게 능가함을 보여줍니다.