論文の概要: Temporal Dependencies in Feature Importance for Time Series Predictions

• arxiv url: http://arxiv.org/abs/2107.14317v1
• Date: Thu, 29 Jul 2021 20:31:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-02 20:52:29.532748
• Title: Temporal Dependencies in Feature Importance for Time Series Predictions
• Title（参考訳）: 時系列予測における特徴量の時間依存性
• Authors: Clayton Rooke, Jonathan Smith, Kin Kwan Leung, Maksims Volkovs, Saba Zuberi
• Abstract要約: 時系列予測設定における特徴重要度を評価するためのフレームワークであるWinITを提案する。 我々は、ソリューションが時間ステップ内の機能の適切な属性をどのように改善するかを示す。 WinIT は FIT の2.47倍の性能を達成しており、実際のMIMIC の致命的課題における他の特徴的重要な手法である。
• 参考スコア（独自算出の注目度）: 4.082348823209183
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Explanation methods applied to sequential models for multivariate time series prediction are receiving more attention in machine learning literature. While current methods perform well at providing instance-wise explanations, they struggle to efficiently and accurately make attributions over long periods of time and with complex feature interactions. We propose WinIT, a framework for evaluating feature importance in time series prediction settings by quantifying the shift in predictive distribution over multiple instances in a windowed setting. Comprehensive empirical evidence shows our method improves on the previous state-of-the-art, FIT, by capturing temporal dependencies in feature importance. We also demonstrate how the solution improves the appropriate attribution of features within time steps, which existing interpretability methods often fail to do. We compare with baselines on simulated and real-world clinical data. WinIT achieves 2.47x better performance than FIT and other feature importance methods on real-world clinical MIMIC-mortality task. The code for this work is available at https://github.com/layer6ai-labs/WinIT.
• Abstract（参考訳）: 多変量時系列予測のための逐次モデルに適用する説明手法が機械学習文献で注目を集めている。 現状の手法は, 実例的説明の提供に長けているが, 長期にわたって, 複雑な特徴の相互作用を伴って, 効率よく正確に属性を作成できない。 ウィンドウ設定において,複数のインスタンスにまたがる予測分布の変化を定量化することにより,時系列予測設定における特徴重要度を評価するフレームワークWinITを提案する。 包括的実証的証拠により,本手法は,時間的依存性を重要視することで,先行する最先端の適合性が向上することが示された。 また,既存の解釈手法ではできない場合が多い時間ステップ内で,適切な機能帰属をソリューションがいかに改善するかを実証する。 シミュレーションデータと実世界の臨床データの比較を行った。 WinIT は FIT の2.47倍の性能を達成しており、実際のMIMIC の致命的課題における他の特徴的重要な手法である。 この作業のコードはhttps://github.com/layer6ai-labs/winitで入手できる。

関連論文リスト

• MTSCI: A Conditional Diffusion Model for Multivariate Time Series Consistent Imputation [41.681869408967586]
  主要な研究課題は、どのようにインパルスの整合性を確保するか、すなわち観測値とインパルス値の整合性を確保するかである。 従来の手法は、学習プロセスを導くために、計算対象の帰納的バイアスにのみ依存する。
  論文  参考訳（メタデータ） (2024-08-11T10:24:53Z)
• TSI-Bench: Benchmarking Time Series Imputation [52.27004336123575]
  TSI-Benchは、ディープラーニング技術を利用した時系列計算のための総合ベンチマークスイートである。 TSI-Benchパイプラインは、実験的な設定を標準化し、計算アルゴリズムの公平な評価を可能にする。 TSI-Benchは、計算目的のために時系列予測アルゴリズムを調整するための体系的なパラダイムを革新的に提供する。
  論文  参考訳（メタデータ） (2024-06-18T16:07:33Z)
• Multi-Patch Prediction: Adapting LLMs for Time Series Representation Learning [22.28251586213348]
  aLLM4TSは、時系列表現学習にLarge Language Models(LLM)を適用する革新的なフレームワークである。 われわれのフレームワークの特筆すべき要素はパッチワイドデコーディング層である。
  論文  参考訳（メタデータ） (2024-02-07T13:51:26Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
  本稿では,時間関連メタラーニング(TAML)手法を提案する。 タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。 複数の臨床データセットに対するTAMLの有効性を示す。
  論文  参考訳（メタデータ） (2023-03-05T03:54:54Z)
• 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)
• SAITS: Self-Attention-based Imputation for Time Series [6.321652307514677]
  SAITSは時系列における値計算の欠落に対する自己注意機構に基づく新しい手法である。 斜めにマスキングされた2つの自己注意ブロックの重み付けされた組み合わせから、欠落した値を学ぶ。 テストの結果、SAITSは時系列計算タスクにおける最先端の手法を効率よく上回ることが示された。
  論文  参考訳（メタデータ） (2022-02-17T08:40:42Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• 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)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Benchmarking Deep Learning Interpretability in Time Series Predictions [41.13847656750174]
  モデル予測における入力特徴の重要性を強調するために、サリエンシ法が広く用いられている。 そこで我々は,多様なニューラルアーキテクチャにまたがって,サリエンシに基づく様々な解釈可能性手法の性能を広範囲に比較した。
  論文  参考訳（メタデータ） (2020-10-26T22:07:53Z)

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。