Fugu-MT 論文翻訳(概要): Feature Importance for Time Series Data: Improving KernelSHAP

論文の概要: Feature Importance for Time Series Data: Improving KernelSHAP

arxiv url: http://arxiv.org/abs/2210.02176v1
Date: Wed, 5 Oct 2022 12:05:01 GMT
ステータス: 処理完了
システム内更新日: 2022-10-06 14:36:10.503247
Title: Feature Importance for Time Series Data: Improving KernelSHAP
Title（参考訳）: 時系列データの特徴的重要性: KernelSHAPの改善
Authors: Mattia Villani, Joshua Lockhart, Daniele Magazzeni
Abstract要約: 時系列データのコンテキストに適用される特徴的重要度に対するShapley値に基づくアプローチについて考察する。 VARMAXを含む多数の時系列モデルのSHAP値に対する閉形式解を提案する。
参考スコア（独自算出の注目度）: 8.47597073998986
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Feature importance techniques have enjoyed widespread attention in the explainable AI literature as a means of determining how trained machine learning models make their predictions. We consider Shapley value based approaches to feature importance, applied in the context of time series data. We present closed form solutions for the SHAP values of a number of time series models, including VARMAX. We also show how KernelSHAP can be applied to time series tasks, and how the feature importances that come from this technique can be combined to perform "event detection". Finally, we explore the use of Time Consistent Shapley values for feature importance.
Abstract（参考訳）: 特徴重要技術は、トレーニングされた機械学習モデルの予測方法を決定する手段として、説明可能なai文献で広く注目を集めている。時系列データのコンテキストに適用される特徴的重要度に対するShapley値に基づくアプローチを検討する。本稿では,varmaxを含む複数の時系列モデルのシェープ値に対する閉形式解を提案する。また,KernelSHAPが時系列タスクにどのように適用できるか,また,この手法から生じる特徴を組み合わせて「イベント検出」を行う方法を示す。最後に、特徴量としてTime Consistent Shapley値の使用について検討する。

関連論文リスト

Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
コンテキスト・イズ・キー (Context is Key) (CiK) は、時系列予測ベンチマークであり、様々な種類のテキストコンテキストと数値データをペアリングする。我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。実験では、文脈情報の導入の重要性を強調し、LLMに基づく予測モデルを用いた場合の驚くべき性能を示すとともに、それらの重要な欠点を明らかにした。
論文参考訳（メタデータ） (2024-10-24T17:56:08Z)
TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
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)
Analyzing categorical time series with the R package ctsfeatures [0.0]
Rパッケージctsfeaturesは、カテゴリの時系列を分析するための便利なツールセットを提供する。いくつかの関数の出力は、クラスタリング、分類、外れ値検出など、従来の機械学習タスクの実行に使用することができる。
論文参考訳（メタデータ） (2023-04-24T16:16:56Z)
Ripple: Concept-Based Interpretation for Raw Time Series Models in Education [5.374524134699487]
時系列は、教育予測タスクにおいて最も一般的な入力データである。本稿では,グラフニューラルネットワークを用いた不規則な多変量時系列モデリングを用いて,同等あるいはより良い精度を実現する手法を提案する。教育領域におけるこれらの進歩を分析し,早期学生のパフォーマンス予測の課題に対処する。
論文参考訳（メタデータ） (2022-12-02T12:26:00Z)
TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文参考訳（メタデータ） (2022-02-07T21:37:29Z)
AutoFITS: Automatic Feature Engineering for Irregular Time Series [0.44198435146063353]
不規則な時系列では、各観測が収集される時間はデータのダイナミクスを要約し、予測性能を向上させるのに役立つ。我々は,各インスタンスが収集された際に,この視点から情報を抽出することに焦点を当てた,新しい自動機能エンジニアリングフレームワークを開発する。時系列予測ワークフローに組み込むことによって,この情報の価値を検証し,時系列予測のための最新手法との比較や補完方法について検討する。
論文参考訳（メタデータ） (2021-12-29T19:42:48Z)
Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文参考訳（メタデータ） (2021-10-26T20:41:19Z)
Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文参考訳（メタデータ） (2021-10-11T13:46:28Z)
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)
Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文参考訳（メタデータ） (2020-12-04T19:21:37Z)
Benchmarking Deep Learning Interpretability in Time Series Predictions [41.13847656750174]
モデル予測における入力特徴の重要性を強調するために、サリエンシ法が広く用いられている。そこで我々は,多様なニューラルアーキテクチャにまたがって,サリエンシに基づく様々な解釈可能性手法の性能を広範囲に比較した。
論文参考訳（メタデータ） (2020-10-26T22:07:53Z)

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。