論文の概要: XCM: An Explainable Convolutional Neural Network for Multivariate Time
Series Classification
- arxiv url: http://arxiv.org/abs/2009.04796v3
- Date: Tue, 7 Dec 2021 15:48:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 02:51:56.137342
- Title: XCM: An Explainable Convolutional Neural Network for Multivariate Time
Series Classification
- Title（参考訳）: XCM:多変量時系列分類のための説明可能な畳み込みニューラルネットワーク
- Authors: Kevin Fauvel, Tao Lin, V\'eronique Masson, \'Elisa Fromont, Alexandre
Termier
- Abstract要約: MTS分類のためのeXplainable Convolutional Neural NetworkであるXCMを提案する。
XCMは、新しいコンパクト畳み込みニューラルネットワークであり、入力データから直接、観測された変数と時間に関する情報を抽出する。
最初に、XCMは、大小のパブリックUEAデータセットにおいて最先端のMSS分類器よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 64.41621835517189
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multivariate Time Series (MTS) classification has gained importance over the
past decade with the increase in the number of temporal datasets in multiple
domains. The current state-of-the-art MTS classifier is a heavyweight deep
learning approach, which outperforms the second-best MTS classifier only on
large datasets. Moreover, this deep learning approach cannot provide faithful
explanations as it relies on post hoc model-agnostic explainability methods,
which could prevent its use in numerous applications. In this paper, we present
XCM, an eXplainable Convolutional neural network for MTS classification. XCM is
a new compact convolutional neural network which extracts information relative
to the observed variables and time directly from the input data. Thus, XCM
architecture enables a good generalization ability on both large and small
datasets, while allowing the full exploitation of a faithful post hoc
model-specific explainability method (Gradient-weighted Class Activation
Mapping) by precisely identifying the observed variables and timestamps of the
input data that are important for predictions. We first show that XCM
outperforms the state-of-the-art MTS classifiers on both the large and small
public UEA datasets. Then, we illustrate how XCM reconciles performance and
explainability on a synthetic dataset and show that XCM enables a more precise
identification of the regions of the input data that are important for
predictions compared to the current deep learning MTS classifier also providing
faithful explainability. Finally, we present how XCM can outperform the current
most accurate state-of-the-art algorithm on a real-world application while
enhancing explainability by providing faithful and more informative
explanations.
- Abstract（参考訳）: マルチ変数時系列(MTS)分類は、複数のドメインにおける時間データセットの増加に伴い、過去10年間で重要になっている。
現在の最先端のMTS分類器は重厚なディープラーニングアプローチであり、大規模なデータセットでのみ2番目に高いMTS分類器より優れている。
さらに、このディープラーニングアプローチは、ポストホックモデルに依存しない説明可能性メソッドに依存しているため、忠実な説明を提供することができない。
本稿では,EMS分類のためのeXplainable Convolutional Neural NetworkであるXCMを提案する。
xcmは、新しいコンパクト畳み込みニューラルネットワークであり、入力データから直接観測された変数と時間に関する情報を抽出する。
これにより、XCMアーキテクチャは、予測に重要な入力データの変数とタイムスタンプを正確に識別し、忠実なポストホックモデル固有の説明可能性法(グラディエント重み付きクラスアクティベーションマッピング)をフル活用しながら、大小両方のデータセットに対して優れた一般化能力を実現する。
まず、XCMは、大小のUEAデータセットにおいて最先端のMSS分類器よりも優れていることを示す。
次に、XCMが合成データセットの性能と説明可能性をどのように調整し、XCMが現在の深層学習MSS分類器と比較して、予測に重要な入力データの領域をより正確に識別し、忠実な説明性を提供することを示す。
最後に、実世界のアプリケーションにおいて、XCMが現在最も正確な最先端のアルゴリズムよりも、忠実でより情報的な説明を提供することで、説明可能性を向上させる方法を示す。
関連論文リスト
- XG-NID: Dual-Modality Network Intrusion Detection using a Heterogeneous Graph Neural Network and Large Language Model [5.298018090482744]
XG-NIDは異種グラフ構造内にフローレベルとパケットレベルのデータを融合する最初の方法である。
XG-NIDは、フローとパケットペイロードデータの複雑な関係を効果的に捉えながら、リアルタイムの推論を可能にする。
論文 参考訳（メタデータ） (2024-08-27T01:14:34Z) - Employing Two-Dimensional Word Embedding for Difficult Tabular Data Stream Classification [0.0]
本稿では,難しいデータストリーム分類タスクに対して,SSTML(Streaming Super Tabular Machine Learning)を提案する。
合成データストリームと実データストリームで行った実験は、SSTMLが最先端のアルゴリズムよりも統計的に優れた分類品質を達成できることを実証した。
論文 参考訳（メタデータ） (2024-04-24T12:14:54Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Enhancing Cross-Dataset Performance of Distracted Driving Detection With
Score-Softmax Classifier [7.302402275736439]
ディープニューラルネットワークは、車内ドライバのリアルタイム監視を可能にし、気晴らし、疲労、潜在的な危険のタイムリーな予測を容易にする。
最近の研究では、オーバーフィッティングによる信頼性の低いクロスデータセットのエンドツーエンドドライバの動作認識が明らかにされている。
Score-Softmax分類器を導入し、クラス間独立性とクラス内不確実性を高めることでこの問題に対処する。
論文 参考訳（メタデータ） (2023-10-08T15:28:01Z) - MTS2Graph: Interpretable Multivariate Time Series Classification with
Temporal Evolving Graphs [1.1756822700775666]
入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。
UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
論文 参考訳（メタデータ） (2023-06-06T16:24:27Z) - TSEM: Temporally Weighted Spatiotemporal Explainable Neural Network for
Multivariate Time Series [0.0]
時系列深層学習におけるモデルに依存しない,モデル固有のアプローチを提案する。
TSEMは,多くの解釈可能性基準を満たすとともに,XCMよりも精度が高いことを示す。
論文 参考訳（メタデータ） (2022-05-25T18:54:25Z) - Calibrating Class Activation Maps for Long-Tailed Visual Recognition [60.77124328049557]
本稿では,CNNの長期分布からネットワーク学習を改善するための2つの効果的な修正を提案する。
まず,ネットワーク分類器の学習と予測を改善するために,CAMC (Class Activation Map) モジュールを提案する。
第2に,長期化問題における表現学習における正規化分類器の利用について検討する。
論文 参考訳（メタデータ） (2021-08-29T05:45:03Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳（メタデータ） (2020-11-26T14:43:04Z) - X-ModalNet: A Semi-Supervised Deep Cross-Modal Network for
Classification of Remote Sensing Data [69.37597254841052]
我々はX-ModalNetと呼ばれる新しいクロスモーダルディープラーニングフレームワークを提案する。
X-ModalNetは、ネットワークの上部にある高レベルな特徴によって構築されたアップダスタブルグラフ上にラベルを伝搬するため、うまく一般化する。
我々は2つのマルチモーダルリモートセンシングデータセット(HSI-MSIとHSI-SAR)上でX-ModalNetを評価し、いくつかの最先端手法と比較して大幅に改善した。
論文 参考訳（メタデータ） (2020-06-24T15:29:41Z) - XEM: An Explainable-by-Design Ensemble Method for Multivariate Time
Series Classification [61.33695273474151]
マルチ変数時系列分類のためのeXplainable-by-design Ensemble法であるXEMを提案する。
XEMは、明示的なブースティング・バッグ・アプローチと暗黙的なディペンション・アンド・コンカ・アプローチを組み合わせた新しいハイブリッド・アンサンブル法に依存している。
評価の結果、XEM は、パブリック UEA データセット上で最先端の MTS 分類器よりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-05-07T17:50:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。