論文の概要: A Temporal Type-2 Fuzzy System for Time-dependent Explainable Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2210.12571v1
• Date: Sat, 22 Oct 2022 23:41:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 21:08:33.608502
• Title: A Temporal Type-2 Fuzzy System for Time-dependent Explainable Artificial Intelligence
• Title（参考訳）: 時間依存説明可能な人工知能のための時間型2型ファジィシステム
• Authors: Mehrin Kiani, Javier Andreu-Perez, Hani Hagras
• Abstract要約: 時間依存型XAI (TXAI) システムに対する, 時間依存型FLSに基づく新しいアプローチを提案する。 TXAIは、(測定の)発生頻度を用いて、時間領域における測定の発生の可能性を考慮することができる。 提案したTXAIシステムは、実生活の時間依存プロセスの進化を規定する上で重要な意味を持つ。
• 参考スコア（独自算出の注目度）: 5.052126684056963
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Explainable Artificial Intelligence (XAI) is a paradigm that delivers transparent models and decisions, which are easy to understand, analyze, and augment by a non-technical audience. Fuzzy Logic Systems (FLS) based XAI can provide an explainable framework, while also modeling uncertainties present in real-world environments, which renders it suitable for applications where explainability is a requirement. However, most real-life processes are not characterized by high levels of uncertainties alone; they are inherently time-dependent as well, i.e., the processes change with time. In this work, we present novel Temporal Type-2 FLS Based Approach for time-dependent XAI (TXAI) systems, which can account for the likelihood of a measurement's occurrence in the time domain using (the measurement's) frequency of occurrence. In Temporal Type-2 Fuzzy Sets (TT2FSs), a four-dimensional (4D) time-dependent membership function is developed where relations are used to construct the inter-relations between the elements of the universe of discourse and its frequency of occurrence. The TXAI system manifested better classification prowess, with 10-fold test datasets, with a mean recall of 95.40\% than a standard XAI system (based on non-temporal general type-2 (GT2) fuzzy sets) that had a mean recall of 87.04\%. TXAI also performed significantly better than most non-explainable AI systems between 3.95\%, to 19.04\% improvement gain in mean recall. In addition, TXAI can also outline the most likely time-dependent trajectories using the frequency of occurrence values embedded in the TXAI model; viz. given a rule at a determined time interval, what will be the next most likely rule at a subsequent time interval. In this regard, the proposed TXAI system can have profound implications for delineating the evolution of real-life time-dependent processes, such as behavioural or biological processes.
• Abstract（参考訳）: 説明可能な人工知能(XAI)は、透過的なモデルと決定を提供するパラダイムであり、非技術者の聴衆による理解、分析、拡張が容易である。 ファジィ論理システム(fls)ベースのxaiは、説明可能なフレームワークを提供すると同時に、現実世界の環境に存在する不確実性をモデル化する。 しかし、ほとんどの現実のプロセスは高いレベルの不確実性のみによって特徴づけられておらず、本質的に時間に依存し、すなわち時間とともにプロセスが変化する。 本研究では,時間依存型xai (txai) システムに対して,時間領域における計測の確率を考慮し,時間依存型xai (txai) システムに対する新しい時間型2 flsアプローチを提案する。 テンポラルタイプ2ファジィセット(TT2FSs)では、4次元(4次元)時間依存のメンバシップ関数が開発され、談話の宇宙の要素とその発生頻度の相互関係が構築される。 TXAIシステムでは、標準のXAIシステム(非時間一般型-2(GT2)ファジィセット)の平均リコール率87.04\%より95.40\%の10倍の試験データセットで、より優れた分類能力を示した。 TXAIはまた、ほとんどの説明不能なAIシステムよりも3.95\%、平均リコールで19.04\%改善した。 さらにTXAIは、TXAIモデルに埋め込まれた発生値の頻度を用いて、最も可能性の高い時間依存軌跡を概説することもできる。 この点において、提案したTXAIシステムは、行動や生物学的プロセスなどの実生活の時間依存プロセスの進化を規定する上で、深い意味を持つ可能性がある。

関連論文リスト

• Time is Not Enough: Time-Frequency based Explanation for Time-Series Black-Box Models [12.575427166236844]
  時系列ブラックボックス分類器の時間周波数説明を提供するXAIフレームワークであるSpectral eXplanation(SpectralX)を提案する。 また,新しい摂動型XAI法であるFeature Importance Approximations (FIA)を導入する。
  論文  参考訳（メタデータ） (2024-08-07T08:51:10Z)
• TILP: Differentiable Learning of Temporal Logical Rules on Knowledge Graphs [17.559644723196843]
  時間的論理規則学習のための差別化可能なフレームワークであるTILPを提案する。 本稿では、tKGにおける時間的特徴モデリング、例えば、再発、時間的秩序、一対の関係と期間の間隔、および学習過程に組み込んだ時間的特徴モデリングを提案する。 提案するフレームワークは,解釈可能な結果を提供しながら,ベースライン手法の性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-02-19T17:30:44Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  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。 KoVAEは、いくつかの挑戦的な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およびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Diagnostic Spatio-temporal Transformer with Faithful Encoding [54.02712048973161]
  本稿では,データ生成プロセスが複合時間(ST)依存性を持つ場合の異常診断の課題について述べる。 我々は、ST依存を時系列分類の副産物として学習する、教師付き依存発見として問題を定式化する。 既存のST変圧器で使用される時間的位置符号化は、高周波数(短時間スケール)の周波数をキャプチャする重大な制限を有することを示す。 また、空間的および時間的方向の両方で容易に消費可能な診断情報を提供する新しいST依存性発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-26T05:31:23Z)
• FuTH-Net: Fusing Temporal Relations and Holistic Features for Aerial Video Classification [49.06447472006251]
  本稿では,FuTH-Netと呼ばれる新しいディープニューラルネットワークを提案する。 本モデルは,ERAとDrone-Actionの2つの航空映像分類データセットを用いて評価し,最先端の成果を得た。
  論文  参考訳（メタデータ） (2022-09-22T21:15:58Z)
• TSEM: Temporally Weighted Spatiotemporal Explainable Neural Network for Multivariate Time Series [0.0]
  時系列深層学習におけるモデルに依存しない,モデル固有のアプローチを提案する。 TSEMは,多くの解釈可能性基準を満たすとともに,XCMよりも精度が高いことを示す。
  論文  参考訳（メタデータ） (2022-05-25T18:54:25Z)
• STRODE: Stochastic Boundary Ordinary Differential Equation [30.237665903943963]
  時系列モデリングのほとんどのアルゴリズムは、視覚や音声の入力から直接ランダムなイベントタイミングのダイナミクスを学習できない。 本稿では、学習中にタイミングアノテーションを必要とせず、時系列データのタイミングとダイナミクスの両方を学習する確率的常微分方程式(ODE)を提案する。 その結果,本手法は時系列データのイベントタイミング推定に有効であることがわかった。
  論文  参考訳（メタデータ） (2021-07-17T16:25:46Z)
• TE-ESN: Time Encoding Echo State Network for Prediction Based on Irregularly Sampled Time Series Data [6.221375620565451]
  不規則サンプリング時系列(ISTS)に基づく予測は、現実世界の応用において広く懸念されている。 Time Echo State Network(TE-ESN)という新しいモデル構造を作成します。 ISTSデータを処理できる最初のESNsベースのモデルである。 1つのカオスシステムと3つの実世界のデータセットの実験は、TE-ESNがすべてのベースラインよりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-05-02T08:00:46Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)

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。