論文の概要: Learning Perturbations to Explain Time Series Predictions

• arxiv url: http://arxiv.org/abs/2305.18840v1
• Date: Tue, 30 May 2023 08:33:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 17:31:25.769767
• Title: Learning Perturbations to Explain Time Series Predictions
• Title（参考訳）: 時系列予測を説明するための学習摂動
• Authors: Joseph Enguehard
• Abstract要約: 本研究の目的は,マスクだけでなく,関連する摂動も学習することで予測を説明することである。 これらの摂動の学習が時系列データにおけるこれらの説明の質を著しく向上させることを実証的に示す。
• 参考スコア（独自算出の注目度）: 0.18459705687628122
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Explaining predictions based on multivariate time series data carries the additional difficulty of handling not only multiple features, but also time dependencies. It matters not only what happened, but also when, and the same feature could have a very different impact on a prediction depending on this time information. Previous work has used perturbation-based saliency methods to tackle this issue, perturbing an input using a trainable mask to discover which features at which times are driving the predictions. However these methods introduce fixed perturbations, inspired from similar methods on static data, while there seems to be little motivation to do so on temporal data. In this work, we aim to explain predictions by learning not only masks, but also associated perturbations. We empirically show that learning these perturbations significantly improves the quality of these explanations on time series data.
• Abstract（参考訳）: 多変量時系列データに基づく予測を説明することは、複数の特徴だけでなく、時間依存性も扱うのがさらに困難になる。 それは何が起きたかだけでなく、いつ起きたかも重要であり、同じ機能がこの時間情報によって予測に全く異なる影響を与える可能性がある。 これまでの研究では、摂動に基づくサルリエンシー法を使ってこの問題に取り組み、トレーニング可能なマスクを使って入力を摂動させ、どの時点が予測を駆動しているのかを突き止めてきた。 しかし、これらの手法は静的データに関する類似の手法にインスパイアされた固定摂動を導入するが、時間的データに依存するモチベーションはほとんどないようである。 本研究では,マスクだけでなく,関連する摂動も学習することで予測を説明することを目的とする。 これらの摂動の学習は,時系列データによる説明の質を著しく向上させることを実証的に示す。

関連論文リスト

• DLFormer: Enhancing Explainability in Multivariate Time Series Forecasting using Distributed Lag Embedding [4.995397953581609]
  本研究では,分散ラグ埋め込みと統合されたアテンションベースのアーキテクチャであるDLFormerを紹介する。 既存の注目ベースのハイパフォーマンスモデルと比較して、優れたパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2024-08-29T20:39:54Z)
• TimeInf: Time Series Data Contribution via Influence Functions [8.018453062120916]
  TimeInfは時系列データセットのデータコントリビューション推定手法である。 実験の結果、TimeInfは有害な異常を識別する最先端の手法より優れていることが示された。 TimeInfはデータ値の直感的かつ解釈可能な属性を提供しており、視覚化によって様々な異常パターンを容易に識別することができる。
  論文  参考訳（メタデータ） (2024-07-21T19:10:40Z)
• An End-to-End Time Series Model for Simultaneous Imputation and Forecast [14.756607742477252]
  我々は,推論関係を学習し,複数段階の予測を行うために,エンドツーエンドの時系列モデルを開発する。 我々のフレームワークは2つのニューラルネットワークを共同でトレーニングし、1つは特徴量相関を学習し、もう1つは時間的行動のモデリングを学習する。
  論文  参考訳（メタデータ） (2023-06-01T15:08:22Z)
• Tracking changes using Kullback-Leibler divergence for the continual learning [2.0305676256390934]
  本稿では,多次元データストリームの確率分布の変化をモニタリングする新しい手法を提案する。 変化の速さの尺度として、人気のあるKulback-Leiblerの発散を分析する。 我々は,この指標を用いて,概念の漂流の発生を予測し,その性質を理解する方法を示す。
  論文  参考訳（メタデータ） (2022-10-10T17:30:41Z)
• 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)
• Explaining Time Series Predictions with Dynamic Masks [91.3755431537592]
  機械学習モデルの予測を説明するために動的マスク(Dynamask)を提案する。 人工的および実世界のデータを用いて、Dynamaskのダイナミックな基盤は、そのパーシモニーとともに、時間とともに重要な特徴を識別する優れた改善をもたらすことを実証する。 Dynamaskのモジュラリティは、医療や金融といった分野における幅広い機械学習モデルの透明性を高めるためのプラグインとして理想的だ。
  論文  参考訳（メタデータ） (2021-06-09T18:01:09Z)
• Deducing neighborhoods of classes from a fitted model [68.8204255655161]
  本稿では,新しいタイプの解釈可能な機械学習手法を提案する。 量子シフトを用いた分類モデルでは、特徴空間の予測クラスへの分割を理解するのに役立ちます。 基本的に、実際のデータポイント(または特定の関心点)を使用し、特定の特徴をわずかに引き上げたり減少させたりした後の予測の変化を観察する。
  論文  参考訳（メタデータ） (2020-09-11T16:35:53Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。