論文の概要: WindowSHAP: An Efficient Framework for Explaining Time-series
Classifiers based on Shapley Values
- arxiv url: http://arxiv.org/abs/2211.06507v2
- Date: Mon, 8 May 2023 04:41:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 00:07:43.201029
- Title: WindowSHAP: An Efficient Framework for Explaining Time-series
Classifiers based on Shapley Values
- Title（参考訳）: windowshap:shapley値に基づく時系列分類説明のための効率的なフレームワーク
- Authors: Amin Nayebi, Sindhu Tipirneni, Chandan K Reddy, Brandon Foreman,
Vignesh Subbian
- Abstract要約: 我々は、Shapley値を用いて時系列分類器を説明するためのモデルに依存しないフレームワークであるWindowSHAPを紹介する。
120の時間ステップ(時間)を持つ時系列データに対して、隣接する10の時間ポイントをマージすることで、WindowSHAPのCPU時間を80%削減できることを示す。
また、我々のDynamic WindowSHAPアルゴリズムは、より重要な時間ステップに焦点を当て、より理解しやすい説明を提供する。
- 参考スコア（独自算出の注目度）: 8.913544654492696
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Unpacking and comprehending how black-box machine learning algorithms make
decisions has been a persistent challenge for researchers and end-users.
Explaining time-series predictive models is useful for clinical applications
with high stakes to understand the behavior of prediction models. However,
existing approaches to explain such models are frequently unique to data where
the features do not have a time-varying component. In this paper, we introduce
WindowSHAP, a model-agnostic framework for explaining time-series classifiers
using Shapley values. We intend for WindowSHAP to mitigate the computational
complexity of calculating Shapley values for long time-series data as well as
improve the quality of explanations. WindowSHAP is based on partitioning a
sequence into time windows. Under this framework, we present three distinct
algorithms of Stationary, Sliding and Dynamic WindowSHAP, each evaluated
against baseline approaches, KernelSHAP and TimeSHAP, using perturbation and
sequence analyses metrics. We applied our framework to clinical time-series
data from both a specialized clinical domain (Traumatic Brain Injury - TBI) as
well as a broad clinical domain (critical care medicine). The experimental
results demonstrate that, based on the two quantitative metrics, our framework
is superior at explaining clinical time-series classifiers, while also reducing
the complexity of computations. We show that for time-series data with 120 time
steps (hours), merging 10 adjacent time points can reduce the CPU time of
WindowSHAP by 80% compared to KernelSHAP. We also show that our Dynamic
WindowSHAP algorithm focuses more on the most important time steps and provides
more understandable explanations. As a result, WindowSHAP not only accelerates
the calculation of Shapley values for time-series data, but also delivers more
understandable explanations with higher quality.
- Abstract（参考訳）: ブラックボックス機械学習アルゴリズムの意思決定方法の解凍と理解は、研究者やエンドユーザにとって永続的な課題だった。
時系列予測モデルの説明は、予測モデルの振る舞いを理解するために、高い利害を持つ臨床応用に有用である。
しかし、そのようなモデルを説明する既存のアプローチは、特徴が時間変化成分を持たないデータにしばしば特有である。
本稿では,Shapley値を用いた時系列分類器のモデルに依存しないフレームワークであるWindowSHAPを紹介する。
我々は,長期時系列データに対するshapley値計算の計算複雑性を軽減し,説明の質を向上させることを目的としている。
WindowSHAPは、シーケンスをタイムウィンドウに分割することに基づいている。
この枠組みでは,固定,スライディング,動的windowshapの3つの異なるアルゴリズムを,摂動とシーケンス解析のメトリクスを用いてベースラインアプローチ,kernelshap,timehapに対して評価する。
本手法を臨床専門領域(外傷性脳損傷-tbi)と幅広い臨床領域(クリティカルケア医療)の時系列データに適用した。
実験の結果,2つの定量的指標に基づいて,臨床時系列分類器の説明に優れ,計算の複雑さを低減できることがわかった。
120の時間ステップ(時間)を持つ時系列データに対して、隣接する10の時間ポイントをマージすることで、KernelSHAPと比較してWindowSHAPのCPU時間を80%削減できることを示す。
また、我々のDynamic WindowSHAPアルゴリズムは、より重要な時間ステップに焦点を当て、より理解しやすい説明を提供する。
その結果、windowshapは時系列データのshapley値の計算を加速するだけでなく、より理解しやすい説明をより高い品質で提供する。
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) - 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) - Fast Shapley Value Estimation: A Unified Approach [71.92014859992263]
冗長な手法を排除し、単純で効率的なシェープリー推定器SimSHAPを提案する。
既存手法の解析において、推定器は特徴部分集合からランダムに要約された値の線形変換として統一可能であることを観察する。
実験により,SimSHAPの有効性が検証され,精度の高いShapley値の計算が大幅に高速化された。
論文 参考訳（メタデータ） (2023-11-02T06:09:24Z) - Feature Importance for Time Series Data: Improving KernelSHAP [8.47597073998986]
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。
論文 参考訳（メタデータ） (2022-10-05T12:05:01Z) - Shapley-NAS: Discovering Operation Contribution for Neural Architecture
Search [96.20505710087392]
ニューラルアーキテクチャ探索のための演算寄与度(Shapley-NAS)を評価するためのShapley値に基づく手法を提案する。
提案手法は,光探索コストに比例し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） (2022-06-20T14:41:49Z) - Towards Similarity-Aware Time-Series Classification [51.2400839966489]
時系列データマイニングの基本課題である時系列分類(TSC)について検討する。
グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
論文 参考訳（メタデータ） (2022-01-05T02:14:57Z) - 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) - SOMTimeS: Self Organizing Maps for Time Series Clustering and its
Application to Serious Illness Conversations [3.2689702143620147]
我々はSOMTimeS(TIMEシリーズの自己組織化マップ)と呼ばれるDTWに基づく新しいクラスタリング手法を提案する。
他のDTWベースのクラスタリングアルゴリズムよりも高速で、パフォーマンスも同等です。
我々は,大規模医療コホート研究の一環として収集した自然言語会話データにSOMtimeSを適用した。
論文 参考訳（メタデータ） (2021-08-26T00:18:25Z) - 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) - A Constraint-Based Algorithm for the Structural Learning of
Continuous-Time Bayesian Networks [70.88503833248159]
連続時間ベイズネットワークの構造を学習するための制約に基づく最初のアルゴリズムを提案する。
我々は,条件付き独立性を確立するために提案した,異なる統計的テストと基礎となる仮説について論じる。
論文 参考訳（メタデータ） (2020-07-07T07:34:09Z)
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。