論文の概要: LIMREF: Local Interpretable Model Agnostic Rule-based Explanations for
Forecasting, with an Application to Electricity Smart Meter Data
- arxiv url: http://arxiv.org/abs/2202.07766v1
- Date: Tue, 15 Feb 2022 22:35:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-17 14:31:54.802004
- Title: LIMREF: Local Interpretable Model Agnostic Rule-based Explanations for
Forecasting, with an Application to Electricity Smart Meter Data
- Title（参考訳）: limref: 予測のための局所解釈可能なモデル非依存規則に基づく説明と電気スマートメータデータへの応用
- Authors: Dilini Rajapaksha and Christoph Bergmeir
- Abstract要約: 我々は,大域的なモデル予測を説明するために,局所解釈可能なモデルに依存しないルールベース予測(LIMREF)を提案する。
本稿では,LIMREFフレームワークによる説明の質を質的・定量的に評価する。
- 参考スコア（独自算出の注目度）: 3.0839245814393728
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate electricity demand forecasts play a crucial role in sustainable
power systems. To enable better decision-making especially for demand
flexibility of the end-user, it is necessary to provide not only accurate but
also understandable and actionable forecasts. To provide accurate forecasts
Global Forecasting Models (GFM) trained across time series have shown superior
results in many demand forecasting competitions and real-world applications
recently, compared with univariate forecasting approaches. We aim to fill the
gap between the accuracy and the interpretability in global forecasting
approaches. In order to explain the global model forecasts, we propose Local
Interpretable Model-agnostic Rule-based Explanations for Forecasting (LIMREF),
a local explainer framework that produces k-optimal impact rules for a
particular forecast, considering the global forecasting model as a black-box
model, in a model-agnostic way. It provides different types of rules that
explain the forecast of the global model and the counterfactual rules, which
provide actionable insights for potential changes to obtain different outputs
for given instances. We conduct experiments using a large-scale electricity
demand dataset with exogenous features such as temperature and calendar
effects. Here, we evaluate the quality of the explanations produced by the
LIMREF framework in terms of both qualitative and quantitative aspects such as
accuracy, fidelity, and comprehensibility and benchmark those against other
local explainers.
- Abstract（参考訳）: 電力需要の正確な予測は、持続可能電力システムにおいて重要な役割を果たす。
エンドユーザの需要フレキシビリティを向上するためには, 正確なだけでなく, 理解しやすく, 行動可能な予測を提供する必要がある。
時系列を通して訓練されたグローバル予測モデル(GFM)は、近年の需要予測競争や実世界の応用において、単変量予測手法と比較して優れた結果を示している。
我々は,グローバル予測手法における精度と解釈可能性のギャップを埋めることを目的とする。
グローバルモデル予測を説明するために,グローバル予測モデルをブラックボックスモデルとして考慮し,特定の予測に対するk-最適影響ルールを生成する局所的な説明フレームワークLIMREF(Local Interpretable Model-Agnostic Rule-based Explanations for Forecasting)を提案する。
グローバルモデルとカウンターファクトルールの予測を説明する異なるタイプのルールを提供し、与えられたインスタンスに対して異なる出力を得るための潜在的な変更に対する実行可能な洞察を提供する。
温度やカレンダー効果などの外部特性を備えた大規模電力需要データセットを用いて実験を行う。
本稿では,LIMREFフレームワークが生成する説明の質を,精度,忠実度,理解性といった質的・定量的な側面の観点から評価し,他のローカルな説明者に対して評価する。
関連論文リスト
- F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳（メタデータ） (2024-02-06T21:28:42Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - Regions of Reliability in the Evaluation of Multivariate Probabilistic
Forecasts [73.33395097728128]
時系列予測評価のための適切なスコアリングルールに関する最初の体系的な有限サンプル研究を提供する。
本研究では, 地中構造と予測分布のいくつかの重要な相違点をテストするために, 総合的な総合的合成ベンチマークを用いて解析を行った。
論文 参考訳（メタデータ） (2023-04-19T17:38:42Z) - Surrogate Ensemble Forecasting for Dynamic Climate Impact Models [0.0]
本研究は, マラリア感染係数R0を予測するリバプールマラリアモデル(LMM)について考察した。
入力および出力データは、ランダムフォレスト量子回帰(RFQR)モデルとベイズ長短期記憶(BLSTM)ニューラルネットワークの形式で代理モデルをトレーニングするために使用される。
論文 参考訳（メタデータ） (2022-04-12T13:30:01Z) - Distributional Gradient Boosting Machines [77.34726150561087]
私たちのフレームワークはXGBoostとLightGBMをベースにしています。
我々は,このフレームワークが最先端の予測精度を実現することを示す。
論文 参考訳（メタデータ） (2022-04-02T06:32:19Z) - LoMEF: A Framework to Produce Local Explanations for Global Model Time
Series Forecasts [2.3096751699592137]
複数の時系列にまたがってトレーニングされたグローバル予測モデル(GFM)は、多くの予測競合や実世界のアプリケーションにおいて優れた結果を示している。
しかしながら、GFMは通常、特に特定の時系列に対する解釈可能性に欠ける。
本稿では,GFMからの予測を説明するために,局所モデルに依存しない新しい解法を提案する。
論文 参考訳（メタデータ） (2021-11-13T00:17:52Z) - Transforming Autoregression: Interpretable and Expressive Time Series
Forecast [0.0]
本稿では,様々な研究方向からインスパイアされたモデルクラスである自己回帰変換モデル(ATM)を提案する。
ATMは半パラメトリック分布仮定と解釈可能なモデル仕様を用いて表現的分布予測を統一する。
ATMの理論的および実証的な評価により,複数のシミュレーションおよび実世界の予測データセット上でATMの特性を実証する。
論文 参考訳（メタデータ） (2021-10-15T17:58:49Z) - An Interpretable Probabilistic Model for Short-Term Solar Power
Forecasting Using Natural Gradient Boosting [0.0]
本稿では,高精度で信頼性が高く,鋭い予測を生成できる2段階確率予測フレームワークを提案する。
このフレームワークは、ポイント予測と予測間隔(PI)の両方について完全な透明性を提供する。
提案フレームワークの性能と適用性を強調するため,南ドイツにある2つのPV公園の実際のデータを用いている。
論文 参考訳（メタデータ） (2021-08-05T12:59:38Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - Improving seasonal forecast using probabilistic deep learning [1.1988695717766686]
我々は,季節予測能力と予測診断力を高めるための確率論的ディープニューラルネットワークモデルを開発した。
気候シミュレーションで符号化された複雑な物理的関係を活用することで、我々のモデルは好ましい決定論的および確率論的スキルを示す。
季節変動の支配的なモードであるエルニーニョ/南部の振動が、世界の季節予測可能性をどのように調節するかについて、より決定的な答えを与える。
論文 参考訳（メタデータ） (2020-10-27T21:02:26Z)
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。