論文の概要: XAI Methods for Neural Time Series Classification: A Brief Review

• arxiv url: http://arxiv.org/abs/2108.08009v1
• Date: Wed, 18 Aug 2021 07:26:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-19 21:44:51.898474
• Title: XAI Methods for Neural Time Series Classification: A Brief Review
• Title（参考訳）: ニューラル時系列分類のためのXAI法の概要
• Authors: Ilija \v{S}imi\'c, Vedran Sabol, Eduardo Veas
• Abstract要約: 時系列分類タスクのための深層学習ブラックボックスの開き方に着目し,eXplainable AI(XAI)手法の現状について検討する。 我々の貢献は、将来的な仕事の方向性を導き、時系列データに基づく深層学習のためのXAIを前進させることも目的としている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models have recently demonstrated remarkable results in a variety of tasks, which is why they are being increasingly applied in high-stake domains, such as industry, medicine, and finance. Considering that automatic predictions in these domains might have a substantial impact on the well-being of a person, as well as considerable financial and legal consequences to an individual or a company, all actions and decisions that result from applying these models have to be accountable. Given that a substantial amount of data that is collected in high-stake domains are in the form of time series, in this paper we examine the current state of eXplainable AI (XAI) methods with a focus on approaches for opening up deep learning black boxes for the task of time series classification. Finally, our contribution also aims at deriving promising directions for future work, to advance XAI for deep learning on time series data.
• Abstract（参考訳）: 深層学習モデルは近年,様々なタスクにおいて顕著な成果を上げている。 これらのドメインにおける自動予測は、個人の幸福と個人または企業に対するかなりの財政的および法的影響に重大な影響を与える可能性があることを考慮すれば、これらのモデルを適用することによって生じるすべての行動と決定は説明責任を持つ必要がある。 本稿では,高テイク領域で収集される膨大なデータが時系列の形式にあることを考慮し,時系列分類のタスクにおいて,深層学習用ブラックボックスを開放するためのアプローチに着目し,説明可能なai(xai)手法の現状について検討する。 また,本研究の目的は,将来的な作業の方向性を導き,時系列データによる深層学習の促進にある。

関連論文リスト

• A Survey of Explainable Artificial Intelligence (XAI) in Financial Time Series Forecasting [1.2937020918620652]
  eXplainable AI(XAI)の分野は、AIモデルをより理解しやすくすることを目指している。 本稿では、金融時系列を予測するXAIアプローチを分類する。 金融におけるXAIの現在の役割を包括的に把握している。
  論文  参考訳（メタデータ） (2024-07-22T17:06:19Z)
• State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
  このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。 新たなイメージは、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを考える余地があることを示唆している。
  論文  参考訳（メタデータ） (2024-06-13T12:51:22Z)
• Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook [95.32949323258251]
  時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。 大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
  論文  参考訳（メタデータ） (2023-10-16T09:06:00Z)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• A Deep Dive into Perturbations as Evaluation Technique for Time Series XAI [13.269396832189754]
  時系列データのためのXAIは、金融、医療、気候科学においてますます重要になっている。 XAI技術による属性などの説明の質を評価することは依然として困難である。 本稿では,時系列モデルから抽出した属性を評価するために摂動を用いた詳細な解析を行う。
  論文  参考訳（メタデータ） (2023-07-11T08:26:08Z)
• On the Soundness of XAI in Prognostics and Health Management (PHM) [0.0]
  本研究は,予測保守のための時系列回帰モデルに適用された多くのXAI手法について,批判的かつ比較的な改訂を行った。 本研究の目的は,時系列分類に比べて研究の少ない時系列回帰におけるXAI手法の探索である。 実験で使用されたモデルは、航空機のエンジンの残留実用寿命を予測するために訓練されたDCNNである。
  論文  参考訳（メタデータ） (2023-03-09T13:27:54Z)
• A Time Series Approach to Explainability for Neural Nets with Applications to Risk-Management and Fraud Detection [0.0]
  技術に対する信頼は、予測の背後にある根拠を理解することによって実現される。 横断的なデータの場合、古典的なXAIアプローチはモデルの内部動作に関する貴重な洞察をもたらす可能性がある。 本稿では、データの自然時間順序を保存・活用する深層学習のための新しいXAI手法を提案する。
  論文  参考訳（メタデータ） (2022-12-06T12:04:01Z)
• Multi-head Temporal Attention-Augmented Bilinear Network for Financial time series prediction [77.57991021445959]
  本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。 本手法の有効性を,大規模書籍市場データを用いて検証した。
  論文  参考訳（メタデータ） (2022-01-14T14:02:19Z)
• Just Label What You Need: Fine-Grained Active Selection for Perception and Prediction through Partially Labeled Scenes [78.23907801786827]
  提案手法は,コストに配慮した手法と,部分的にラベル付けされたシーンを通じて詳細なサンプル選択を可能にする一般化を導入している。 実世界の大規模自動運転データセットに関する我々の実験は、微粒な選択が知覚、予測、下流計画タスクのパフォーマンスを向上させることを示唆している。
  論文  参考訳（メタデータ） (2021-04-08T17:57:41Z)
• Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
  機械学習の研究は転換点にある。 研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。 このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
  論文  参考訳（メタデータ） (2020-12-21T15:07:19Z)
• A Survey on Knowledge integration techniques with Artificial Neural Networks for seq-2-seq/time series models [0.456877715768796]
  ディープニューラルネットワークは、いくつかの領域における未チャージ領域の探索を可能にしている。 しかし、データ不足、データ品質の低さ、ドメインを広くカバーしていないかもしれないデータにより、パフォーマンスは低かった。 本稿では、シークエンス・ツー・シークエンスと時系列モデルのための専門知識をディープニューラルネットワークに統合する手法について検討する。
  論文  参考訳（メタデータ） (2020-08-13T15:40:38Z)

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。