論文の概要: TimeREISE: Time-series Randomized Evolving Input Sample Explanation
- arxiv url: http://arxiv.org/abs/2202.07952v1
- Date: Wed, 16 Feb 2022 09:40:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-17 14:30:54.203576
- Title: TimeREISE: Time-series Randomized Evolving Input Sample Explanation
- Title(参考訳): TimeREISE: 入力サンプル説明を伴う時系列ランダム化
- Authors: Dominique Mercier, Andreas Dengel, Sheraz Ahmed
- Abstract要約: TimeREISEは時系列分類の文脈において、特に成功に対応するモデル属性法である。
本手法は, 既往の高精度な測定方法と比較して, 優れた性能を示す。
- 参考スコア(独自算出の注目度): 5.557646286040063
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks are one of the most successful classifiers across
different domains. However, due to their limitations concerning
interpretability their use is limited in safety critical context. The research
field of explainable artificial intelligence addresses this problem. However,
most of the interpretability methods are aligned to the image modality by
design. The paper introduces TimeREISE a model agnostic attribution method
specifically aligned to success in the context of time series classification.
The method shows superior performance compared to existing approaches
concerning different well-established measurements. TimeREISE is applicable to
any time series classification network, its runtime does not scale in a linear
manner concerning the input shape and it does not rely on prior data knowledge.
- Abstract(参考訳): ディープニューラルネットワークは、異なるドメインにまたがる最も成功した分類器の1つである。
しかしながら、解釈可能性に関する制限のため、安全クリティカルな文脈での使用は制限されている。
説明可能な人工知能の研究分野はこの問題に対処する。
しかし,ほとんどの解釈可能性法は画像のモダリティに適応している。
本稿では時系列分類の文脈において、特に成功に対応するモデル非依存属性法であるTimeREISEを紹介する。
本手法は, 従来の測定方法と比較して, 優れた性能を示す。
TimeREISEは任意の時系列分類ネットワークに適用でき、そのランタイムは入力形態に関して線形にスケールせず、事前のデータ知識に依存しない。
関連論文リスト
- TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [70.38241681764738]
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) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2024-01-11T10:10:16Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - Generative Modeling of Regular and Irregular Time Series Data via
Koopman VAEs [53.91784369229405]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。
クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。
以上の結果から,KVAEは,合成および実世界の時系列生成ベンチマークにおいて,最先端のGAN法およびVAE法よりも優れていた。
論文 参考訳(メタデータ) (2023-10-04T07:14:43Z) - On Principal Curve-Based Classifiers and Similarity-Based Selective
Sampling in Time-Series [0.0]
本稿では,モデル定義における主曲線を構築ブロックとして用いることにより,同じ計算ステップを持つ決定論的選択的サンプリングアルゴリズムを提案する。
オンライン監視装置のラベル付けコストや問題を考えると、ラベルを知っていれば分類器の性能が向上するデータポイントを見つけるアルゴリズムが存在するはずである。
論文 参考訳(メタデータ) (2022-04-10T07:28:18Z) - The FreshPRINCE: A Simple Transformation Based Pipeline Time Series
Classifier [0.0]
我々は、最先端と見なされるアルゴリズムの複雑さが本当に必要かどうかを考察する。
最初に提案されたアプローチは、要約統計やその他の時系列特徴抽出アプローチの単純なパイプラインである。
我々はこれらの手法をUCC時系列データセットアーカイブ上でテストし、TSC文献がこれらの手法の有効性を見落としているかどうかを確認する。
論文 参考訳(メタデータ) (2022-01-28T11:23:58Z) - Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。
我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。
ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
論文 参考訳(メタデータ) (2021-10-11T13:33:18Z) - Multivariate Time Series Imputation by Graph Neural Networks [13.308026049048717]
我々は,多変量時系列の異なるチャネルにおける行方不明データを再構成することを目的としたGRILというグラフニューラルネットワークアーキテクチャを導入する。
予備的な結果は,本モデルが関連するベンチマーク上での計算処理において,最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-07-31T17:47:10Z) - Attention to Warp: Deep Metric Learning for Multivariate Time Series [28.540348999309547]
本稿では,堅牢かつ識別性のある時系列分類と検証のためのニューラルネットワークに基づく新しい手法を提案する。
従来の非パラメトリックモデルや深層モデルよりも,提案手法の優位性を実験的に実証した。
論文 参考訳(メタデータ) (2021-03-28T07:54:01Z) - PatchX: Explaining Deep Models by Intelligible Pattern Patches for
Time-series Classification [6.820831423843006]
我々は、ディープニューラルネットワークと従来の機械学習アルゴリズムを利用する新しいハイブリッドアプローチを提案する。
提案手法はまずパッチのきめ細かい分類を行い,次にサンプルレベルの分類を行う。
論文 参考訳(メタデータ) (2021-02-11T10:08:09Z) - AdaS: Adaptive Scheduling of Stochastic Gradients [50.80697760166045]
我々は、textit "knowledge gain" と textit "mapping condition" の概念を導入し、Adaptive Scheduling (AdaS) と呼ばれる新しいアルゴリズムを提案する。
実験によると、AdaSは派生した指標を用いて、既存の適応学習手法よりも高速な収束と優れた一般化、そして(b)いつトレーニングを中止するかを決定するための検証セットへの依存の欠如を示す。
論文 参考訳(メタデータ) (2020-06-11T16:36:31Z)
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。