論文の概要: Explainable Multivariate Time Series Classification: A Deep Neural Network Which Learns To Attend To Important Variables As Well As Informative Time Intervals

• arxiv url: http://arxiv.org/abs/2011.11631v1
• Date: Mon, 23 Nov 2020 19:16:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 02:56:44.916789
• Title: Explainable Multivariate Time Series Classification: A Deep Neural Network Which Learns To Attend To Important Variables As Well As Informative Time Intervals
• Title（参考訳）: 説明可能な多変量時系列分類:重要な変数と情報的時間間隔への出席を学習するディープニューラルネットワーク
• Authors: Tsung-Yu Hsieh, Suhang Wang, Yiwei Sun, Vasant Honavar
• Abstract要約: 時系列データは、様々な現実世界のアプリケーションで広く使われている。 このような予測モデルを理解するための重要な基準は、分類に対する時間変化の入力変数の寄与を解明し定量化することである。 本稿では,変数と時間間隔を同時に識別し,分類出力を決定する新しい,モジュール型・畳み込み型特徴抽出・注目機構を提案する。
• 参考スコア（独自算出の注目度）: 32.30627405832656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series data is prevalent in a wide variety of real-world applications and it calls for trustworthy and explainable models for people to understand and fully trust decisions made by AI solutions. We consider the problem of building explainable classifiers from multi-variate time series data. A key criterion to understand such predictive models involves elucidating and quantifying the contribution of time varying input variables to the classification. Hence, we introduce a novel, modular, convolution-based feature extraction and attention mechanism that simultaneously identifies the variables as well as time intervals which determine the classifier output. We present results of extensive experiments with several benchmark data sets that show that the proposed method outperforms the state-of-the-art baseline methods on multi-variate time series classification task. The results of our case studies demonstrate that the variables and time intervals identified by the proposed method make sense relative to available domain knowledge.
• Abstract（参考訳）: 時系列データは、さまざまな現実世界のアプリケーションで広く使われており、AIソリューションによってなされた決定を理解し、完全に信頼するための信頼できる、説明可能なモデルを求めている。 多変量時系列データから説明可能な分類器を構築する問題を考える。 このような予測モデルを理解するための重要な基準は、分類に対する時間変化の入力変数の寄与を解明し定量化することである。 そこで我々は,変数の識別と分類器出力を決定する時間間隔を同時に行う,新しいモジュール型畳み込み型特徴抽出・注意機構を提案する。 提案手法は,多変量時系列分類タスクにおいて,最先端のベースライン手法よりも優れていることを示すベンチマークデータセットを用いた広範な実験結果を示す。 本研究の結果,提案手法で同定された変数と時間間隔は,利用可能なドメイン知識に対して意味があることが示されている。

関連論文リスト

• Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
  本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。 実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
  論文  参考訳（メタデータ） (2023-10-17T06:29:09Z)
• Evaluating Explanation Methods for Multivariate Time Series Classification [4.817429789586127]
  本論文の主な焦点は多変量時系列分類(MTSC)に適した説明手法の分析と評価である。 分類決定に最も関係の深いチャンネルや時系列ポイントを指摘できる唾液度に基づく説明法に着目する。 これらの手法を3つの合成データセットと2つの実世界のデータセットで検討し、提供された説明を定量的に定性的に分析する。
  論文  参考訳（メタデータ） (2023-08-29T11:24:12Z)
• DIVERSIFY: A General Framework for Time Series Out-of-distribution Detection and Generalization [58.704753031608625]
  時系列は、機械学習研究における最も困難なモダリティの1つである。 時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。 時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
  論文  参考訳（メタデータ） (2023-08-04T12:27:11Z)
• Robust Explainer Recommendation for Time Series Classification [4.817429789586127]
  時系列分類は、人間の活動認識、スポーツ分析、一般的な感覚といった分野に共通する課題である。 近年,サリエンシマップの形での説明を提供するため,時系列に多種多様な手法が提案され,適用されている。 本稿では,時系列分類のための説明手法を定量的に評価し,ランク付けするための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-06-08T18:49:23Z)
• An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
  解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。 既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。 本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-07T06:50:27Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Mimic: An adaptive algorithm for multivariate time series classification [11.49627617337276]
  時系列データは価値があるが、しばしば調査できない。 金融、医療、その他の重要なアプリケーションのための時系列分類器の信頼を得ることは、解釈可能なモデルの作成に依存するかもしれない。 本研究では,解釈可能性を導入しながら,最強分類器の予測精度を維持する新しいMimicアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-11-08T04:47:31Z)
• Instance-wise Graph-based Framework for Multivariate Time Series Forecasting [69.38716332931986]
  我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。 私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
  論文  参考訳（メタデータ） (2021-09-14T07:38:35Z)
• On Disentanglement in Gaussian Process Variational Autoencoders [3.403279506246879]
  時系列データ上で異なるタスクに成功しているモデルを最近導入した。 本モデルでは,各潜伏チャネルをGP前にモデル化し,構造的変動分布を用いることで,データの時間的構造を利用する。 実世界の医療時系列データから有意義な不整合表現を学習できる証拠を提供する。
  論文  参考訳（メタデータ） (2021-02-10T15:49:27Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)
• Multivariable times series classification through an interpretable representation [0.0]
  本稿では,一連の記述的特徴を通して時系列の代替表現を考える時系列分類法を提案する。 従来の分類アルゴリズムを応用し、解釈可能な結果と競合する結果を得た。
  論文  参考訳（メタデータ） (2020-09-08T09:44:03Z)

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。