論文の概要: Interpretable Time Series Clustering Using Local Explanations

• arxiv url: http://arxiv.org/abs/2208.01152v1
• Date: Mon, 1 Aug 2022 21:51:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-03 13:26:28.377994
• Title: Interpretable Time Series Clustering Using Local Explanations
• Title（参考訳）: 局所的説明を用いた解釈可能な時系列クラスタリング
• Authors: Ozan Ozyegen, Nicholas Prayogo, Mucahit Cevik, Ayse Basar
• Abstract要約: 最先端のクラスタリングモデルの多くは、直接的に説明できない。 クラスタラベルを推定するために分類モデルを訓練する。 そこで我々は,解釈可能性法を用いて分類モデルの決定を説明する。
• 参考スコア（独自算出の注目度）: 0.4588028371034407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study focuses on exploring the use of local interpretability methods for explaining time series clustering models. Many of the state-of-the-art clustering models are not directly explainable. To provide explanations for these clustering algorithms, we train classification models to estimate the cluster labels. Then, we use interpretability methods to explain the decisions of the classification models. The explanations are used to obtain insights into the clustering models. We perform a detailed numerical study to test the proposed approach on multiple datasets, clustering models, and classification models. The analysis of the results shows that the proposed approach can be used to explain time series clustering models, specifically when the underlying classification model is accurate. Lastly, we provide a detailed analysis of the results, discussing how our approach can be used in a real-life scenario.
• Abstract（参考訳）: 本研究は,時系列クラスタリングモデルにおける局所的解釈可能性手法の利用について検討する。 最先端のクラスタリングモデルの多くは直接説明できない。 これらのクラスタリングアルゴリズムを説明するために,クラスタラベルを推定するために分類モデルを訓練する。 次に,分類モデルの決定を説明するために解釈可能性法を用いる。 これらの説明はクラスタリングモデルに関する洞察を得るために使われる。 本研究では,複数のデータセット,クラスタリングモデル,分類モデルについて提案手法をテストするため,詳細な数値実験を行う。 結果から,提案手法は時系列クラスタリングモデル,特に基礎となる分類モデルが正確である場合の説明に有効であることが示唆された。 最後に、実際のシナリオで我々のアプローチをどのように利用できるかについて議論し、その結果を詳細に分析する。

関連論文リスト

• Self Supervised Correlation-based Permutations for Multi-View Clustering [7.972599673048582]
  汎用データのためのエンドツーエンドのディープラーニングベースのMVCフレームワークを提案する。 我々のアプローチは、新しい置換に基づく正準相関目標を用いて有意義な融合データ表現を学習することである。 10つのMVCベンチマークデータセットを用いて、モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-26T08:08:30Z)
• Interpretable Deep Clustering for Tabular Data [7.972599673048582]
  クラスタリングは、データ分析で広く使われている基本的な学習タスクである。 本稿では,インスタンスとクラスタレベルでの解釈可能なクラスタ割り当てを予測する,新たなディープラーニングフレームワークを提案する。 提案手法は,生物,テキスト,画像,物理データセットのクラスタ割り当てを確実に予測できることを示す。
  論文  参考訳（メタデータ） (2023-06-07T21:08:09Z)
• Time series clustering based on prediction accuracy of global forecasting models [0.0]
  本稿では,時系列のモデルに基づくクラスタリング手法を提案する。 文献で提案されているほとんどの手法とは異なり、この手法はクラスタリング分割を構成する主要な要素として予測精度を考慮している。 シミュレーション実験により,クラスタリングの有効性と予測精度の両面で,本手法はいくつかの代替手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-30T13:12:19Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• 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)
• Personalized Federated Learning via Convex Clustering [72.15857783681658]
  本稿では,局所凸型ユーザコストを用いた個人化フェデレーション学習のためのアルゴリズム群を提案する。 提案するフレームワークは,異なるユーザのモデルの違いをペナル化する凸クラスタリングの一般化に基づいている。
  論文  参考訳（メタデータ） (2022-02-01T19:25:31Z)
• Graph Contrastive Clustering [131.67881457114316]
  本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。 特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。 一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
  論文  参考訳（メタデータ） (2021-04-03T15:32:49Z)
• Unsupervised clustering of series using dynamic programming and neural processes [0.0]
  各クラスタに存在するブロックが、事前に定義されたモデル構造に対して一貫性があるように、シリーズをセグメント化してクラスタ化したい。 実行可能なモデルの統合を可能にし、クラスタリングタスクを支援するためにデータ駆動アプローチを1つの近似モデルに適応する一般的なフレームワークを確立することが有用である。 本研究では、arXiv:2101.09512で示されるアルゴリズムで求められる仮定を導出しながら、近似モデルを構築するためのニューラルネットワークプロセスの使用を検討する。
  論文  参考訳（メタデータ） (2021-01-26T18:17:10Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• Blocked Clusterwise Regression [0.0]
  我々は、各ユニットが複数の潜伏変数を持つことを可能にすることで、離散的非観測的不均一性に対する以前のアプローチを一般化する。 我々は,クラスタの過剰な数のクラスタリングの理論に寄与し,この設定に対する新たな収束率を導出する。
  論文  参考訳（メタデータ） (2020-01-29T23:29:31Z)

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。