論文の概要: Robust Framework for Explanation Evaluation in Time Series
Classification
- arxiv url: http://arxiv.org/abs/2306.05501v2
- Date: Thu, 17 Aug 2023 20:58:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-21 23:22:09.079936
- Title: Robust Framework for Explanation Evaluation in Time Series
Classification
- Title(参考訳): 時系列分類におけるロバストな説明枠組み
- Authors: Thu Trang Nguyen, Thach Le Nguyen, and Georgiana Ifrim
- Abstract要約: 本稿では時系列分類のための説明手法を定量的に評価・ランク付けするための枠組みを提供する。
本稿では,複数のサリエンシに基づく説明の定量化と比較を行うための頑健なモデル非依存的説明評価フレームワークを提案する。
その結果, 時系列の識別的部分の摂動は, 分類精度に大きな変化をもたらすことがわかった。
- 参考スコア(独自算出の注目度): 4.817429789586127
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Time series classification is a task which deals with a prevalent data type
in domains such as human activity recognition, sports analytics and general
healthcare. This paper provides a framework to quantitatively evaluate and rank
explanation methods for time series classification. The recent interest in
explanation methods for time series has provided a great variety of explanation
techniques. Nevertheless, when the explanations disagree on a specific problem,
it remains unclear which of them to use. Comparing multiple explanations to
find the right answer is non-trivial. Two key challenges remain: how to
quantitatively and robustly evaluate the informativeness of a given explanation
method (i.e., relevance for the classification task), and how to compare
explanation methods side-by-side. We propose AMEE, a robust Model-Agnostic
Explanation Evaluation framework for quantifying and comparing multiple
saliency-based explanations for time series classification. Data perturbation
is added to the input time series guided by the saliency maps. The impact of
perturbation on classification accuracy is measured and used for explanation
evaluation. The results show that perturbing discriminative parts of the time
series leads to significant changes in classification accuracy. To be robust to
different types of perturbations and different types of classifiers, we
aggregate the accuracy loss across perturbations and classifiers. This allows
us to objectively quantify and rank different explanation methods. We provide a
quantitative and qualitative analysis for synthetic datasets, a variety of
time-series datasets, as well as a real-world dataset with known expert ground
truth.
- Abstract(参考訳): 時系列分類は、人間の活動認識、スポーツ分析、一般医療といった分野における一般的なデータタイプを扱うタスクである。
本稿では時系列分類のための説明手法を定量的に評価・ランク付けするための枠組みを提供する。
時系列の説明手法に対する近年の関心は、様々な説明手法を提供してきた。
しかし、その説明が特定の問題について意見が一致しない場合、どちらを使うべきかは不明のままである。
正しい答えを見つけるために複数の説明を比較することは自明ではない。
2つの重要な課題は、与えられた説明方法(例えば、分類タスクの関連性)の定量的かつ堅牢な評価方法と、説明手法を並べて比較する方法である。
本稿では,時系列分類のための複数の相性に基づく説明の定量化と比較を行う,堅牢なモデル非依存的説明評価フレームワークAMEEを提案する。
データ摂動は、唾液マップでガイドされた入力時系列に追加される。
分類精度に対する摂動の影響を測定し,説明評価に利用した。
その結果,時系列の判別部を乱すと分類精度が大きく変化することがわかった。
異なるタイプの摂動と異なる種類の分類器にロバストにするために、摂動と分類器にまたがる精度の損失を集約する。
これにより、異なる説明方法の客観的な定量化とランク付けが可能になる。
合成データセットの定量的および定性的な分析、さまざまな時系列データセット、および既知の専門家基盤真理を持つ実世界のデータセットを提供する。
関連論文リスト
- Evaluating Explanation Methods for Multivariate Time Series
Classification [4.817429789586127]
本論文の主な焦点は多変量時系列分類(MTSC)に適した説明手法の分析と評価である。
分類決定に最も関係の深いチャンネルや時系列ポイントを指摘できる唾液度に基づく説明法に着目する。
これらの手法を3つの合成データセットと2つの実世界のデータセットで検討し、提供された説明を定量的に定性的に分析する。
論文 参考訳(メタデータ) (2023-08-29T11:24:12Z) - Non-Asymptotic Performance of Social Machine Learning Under Limited Data [51.053285698685364]
本研究では,社会機械学習フレームワークに関連付けられた誤りの確率について検討する。
このフレームワークは、ラベルのないデータのストリームを分散的に分類する問題に対処する。
論文 参考訳(メタデータ) (2023-06-15T17:42:14Z) - Revisiting Long-tailed Image Classification: Survey and Benchmarks with
New Evaluation Metrics [88.39382177059747]
メトリクスのコーパスは、長い尾の分布で学習するアルゴリズムの正確性、堅牢性、およびバウンダリを測定するために設計されている。
ベンチマークに基づいて,CIFAR10およびCIFAR100データセット上での既存手法の性能を再評価する。
論文 参考訳(メタデータ) (2023-02-03T02:40:54Z) - COSTI: a New Classifier for Sequences of Temporal Intervals [0.0]
時間間隔のシーケンスを直接操作する新しい分類法を開発した。
提案手法は高い精度を保ち、変換データの操作に接続する欠点を回避しつつ、より良い性能が得られる。
論文 参考訳(メタデータ) (2022-04-28T12:55:06Z) - Resolving label uncertainty with implicit posterior models [71.62113762278963]
本稿では,データサンプルのコレクション間でラベルを共同で推論する手法を提案する。
異なる予測子を後部とする生成モデルの存在を暗黙的に仮定することにより、弱い信念の下での学習を可能にする訓練目標を導出する。
論文 参考訳(メタデータ) (2022-02-28T18:09:44Z) - 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) - Contrastive learning of strong-mixing continuous-time stochastic
processes [53.82893653745542]
コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。
拡散の場合,小~中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
論文 参考訳(メタデータ) (2021-03-03T23:06:47Z) - Explainable Multivariate Time Series Classification: A Deep Neural
Network Which Learns To Attend To Important Variables As Well As Informative
Time Intervals [32.30627405832656]
時系列データは、様々な現実世界のアプリケーションで広く使われている。
このような予測モデルを理解するための重要な基準は、分類に対する時間変化の入力変数の寄与を解明し定量化することである。
本稿では,変数と時間間隔を同時に識別し,分類出力を決定する新しい,モジュール型・畳み込み型特徴抽出・注目機構を提案する。
論文 参考訳(メタデータ) (2020-11-23T19:16:46Z) - Theoretical Insights Into Multiclass Classification: A High-dimensional
Asymptotic View [82.80085730891126]
線形多クラス分類の最初の現代的精度解析を行う。
分析の結果,分類精度は分布に依存していることがわかった。
得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
論文 参考訳(メタデータ) (2020-11-16T05:17:29Z) - Instance-based Counterfactual Explanations for Time Series
Classification [11.215352918313577]
我々は,時系列分類器の対実的説明を生成する新しいモデルに依存しないケースベース手法を推し進める。
我々は、Native Guideが、主要なベンチマークカウンターファクト法により生成されたものよりも優れた、可塑性、近さ、スパース、多彩な説明を生成することを示す。
論文 参考訳(メタデータ) (2020-09-28T10:52:48Z) - Complexity Measures and Features for Times Series classification [0.0]
本稿では,時系列分類問題に対する時系列構造に関する情報を抽出できる特徴セットを提案する。
提案手法の実験結果から, 最先端モデルの2次モデルと3次モデルとに統計的に有意な差は認められなかった。
論文 参考訳(メタデータ) (2020-02-27T11:08:08Z)
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。