論文の概要: TSInterpret: A unified framework for time series interpretability

• arxiv url: http://arxiv.org/abs/2208.05280v1
• Date: Wed, 10 Aug 2022 11:25:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-11 13:07:00.615506
• Title: TSInterpret: A unified framework for time series interpretability
• Title（参考訳）: TSInterpret:時系列解釈のための統合フレームワーク
• Authors: Jacqueline H\"ollig, Cedric Kulbach, Steffen Thoma
• Abstract要約: 解釈可能性のアプローチと視覚化は、統一されたAPIやフレームワークを使わずに、多種多様である。 本稿では,時系列分類器の予測を解釈するオープンソースPythonライブラリTSInterpretを紹介する。 i) 最先端の解釈可能性アルゴリズム、(ii) 統一されたAPIを公開し、ユーザーが一貫した説明を扱えるようにし、(iii) それぞれの説明に相応しいものを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the increasing application of deep learning algorithms to time series classification, especially in high-stake scenarios, the relevance of interpreting those algorithms becomes key. Although research in time series interpretability has grown, accessibility for practitioners is still an obstacle. Interpretability approaches and their visualizations are diverse in use without a unified API or framework. To close this gap, we introduce TSInterpret an easily extensible open-source Python library for interpreting predictions of time series classifiers that combines existing interpretation approaches into one unified framework. The library features (i) state-of-the-art interpretability algorithms, (ii) exposes a unified API enabling users to work with explanations consistently and provides (iii) suitable visualizations for each explanation.
• Abstract（参考訳）: ディープラーニングアルゴリズムの時系列分類への応用が増加し、特にハイテイクシナリオでは、それらのアルゴリズムの解釈が重要となる。 時系列解釈の研究は増加しているが、実践者のアクセシビリティは依然として障害となっている。 解釈可能性のアプローチとその視覚化は、統一されたAPIやフレームワークなしで利用できる。 このギャップを埋めるために,既存の解釈アプローチを1つの統一フレームワークに結合した時系列分類器の予測を解釈するための,容易に拡張可能なオープンソースのpythonライブラリtsinterpretを紹介する。 図書館の特徴 i)最先端の解釈可能性アルゴリズム (ii) ユーザによる説明の一貫性と提供が可能な統一APIを公開する (iii)各説明に適した可視化。

関連論文リスト

• Interactive Counterfactual Generation for Univariate Time Series [7.331969743532515]
  私たちのアプローチは、ディープラーニングモデルの意思決定プロセスの透明性と理解を高めることを目的としています。 提案手法は,提案するデータポイントとユーザインタラクションを抽象化することにより,直感的な事実説明の生成を容易にする。 本手法をECG5000ベンチマークデータセットを用いて検証し,解釈可能性と時系列分類のユーザ理解の大幅な向上を実証した。
  論文  参考訳（メタデータ） (2024-08-20T08:19:55Z)
• Global Knowledge Calibration for Fast Open-Vocabulary Segmentation [124.74256749281625]
  本稿では,各学習カテゴリの同義語群を生成するテキスト多様化戦略を提案する。 また,CLIPの汎用的な知識を維持するために,テキスト誘導型知識蒸留法を用いている。 提案手法は, 各種データセットに対して頑健な一般化性能を実現する。
  論文  参考訳（メタデータ） (2023-03-16T09:51:41Z)
• 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)
• Temporal Dependencies in Feature Importance for Time Series Predictions [4.082348823209183]
  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。
  論文  参考訳（メタデータ） (2021-07-29T20:31:03Z)
• Interpretable Time-series Representation Learning With Multi-Level Disentanglement [56.38489708031278]
  Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。 DTSは時系列の解釈可能な表現として階層的意味概念を生成する。 DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-05-17T22:02:24Z)
• Joint Contrastive Learning with Infinite Possibilities [114.45811348666898]
  本稿では,新しい確率論的モデリングによるコントラスト学習における最近の発展の有用性について考察する。 コントラスト学習(Joint Contrastive Learning, JCL)という,コントラスト学習の特定の形態を導出する。
  論文  参考訳（メタデータ） (2020-09-30T16:24:21Z)
• Captum: A unified and generic model interpretability library for PyTorch [49.72749684393332]
  我々は,PyTorch用の新しい,統一されたオープンソースモデル解釈可能性ライブラリを紹介する。 このライブラリには、多くの勾配と摂動に基づく属性アルゴリズムの汎用的な実装が含まれている。 分類モデルと非分類モデルの両方に使用できる。
  論文  参考訳（メタデータ） (2020-09-16T18:57:57Z)
• The Language Interpretability Tool: Extensible, Interactive Visualizations and Analysis for NLP Models [17.423179212411263]
  Language Interpretability Tool (LIT)は、NLPモデルの可視化と理解のためのオープンソースのプラットフォームである。 LITは、局所的な説明、集約分析、および反ファクト生成を、合理化されたブラウザベースのインターフェースに統合する。
  論文  参考訳（メタデータ） (2020-08-12T06:07:44Z)
• Learning Interpretable and Discrete Representations with Adversarial Training for Unsupervised Text Classification [87.28408260725138]
  TIGANは、テキストを離散コードと連続ノイズを含む2つの非絡み合った表現にエンコードすることを学ぶ。 抽出したトピックの単語は,TIGANが一貫性と高度に解釈可能なトピックを学習していることを示している。
  論文  参考訳（メタデータ） (2020-04-28T02:53:59Z)
• TSInsight: A local-global attribution framework for interpretability in time-series data [5.174367472975529]
  本稿では,分類器からの勾配と再構成ペナルティに基づいて,その出力に疎性誘導ノルムを付与した自動エンコーダを提案する。 TSInsightは、分類器による予測に重要な機能を保存することを学び、無関係な機能を抑制する。 他のほとんどの属性フレームワークとは対照的に、TSInsightはインスタンスベースの説明とモデルベースの説明の両方を生成することができる。
  論文  参考訳（メタデータ） (2020-04-06T19:34:25Z)
• Torch-Struct: Deep Structured Prediction Library [138.5262350501951]
  本稿では,構造化予測ライブラリTorch-Structを紹介する。 Torch-Structには,シンプルで柔軟な分散ベースのAPIを通じてアクセスされる,確率的構造の広範なコレクションが含まれている。
  論文  参考訳（メタデータ） (2020-02-03T16:43:02Z)

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。