論文の概要: Introducing the Attribution Stability Indicator: a Measure for Time Series XAI Attributions

• arxiv url: http://arxiv.org/abs/2310.04178v1
• Date: Fri, 6 Oct 2023 11:48:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-09 18:52:44.508203
• Title: Introducing the Attribution Stability Indicator: a Measure for Time Series XAI Attributions
• Title（参考訳）: 属性安定指標の導入:時系列XAI属性の測定
• Authors: Udo Schlegel, Daniel A. Keim
• Abstract要約: 本稿では,時系列の属性安定度を考慮に入れた属性安定度指標(ASI)を提案する。 本研究では,次元再現空間における属性の分析と,3つの時系列分類データセット上でのASIスコア分布に基づいて,所望の特性を実証する。
• 参考スコア（独自算出の注目度）: 9.734940058811707
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Given the increasing amount and general complexity of time series data in domains such as finance, weather forecasting, and healthcare, there is a growing need for state-of-the-art performance models that can provide interpretable insights into underlying patterns and relationships. Attribution techniques enable the extraction of explanations from time series models to gain insights but are hard to evaluate for their robustness and trustworthiness. We propose the Attribution Stability Indicator (ASI), a measure to incorporate robustness and trustworthiness as properties of attribution techniques for time series into account. We extend a perturbation analysis with correlations of the original time series to the perturbed instance and the attributions to include wanted properties in the measure. We demonstrate the wanted properties based on an analysis of the attributions in a dimension-reduced space and the ASI scores distribution over three whole time series classification datasets.
• Abstract（参考訳）: 金融、天気予報、医療といった分野における時系列データの量と一般的な複雑さを考えると、基礎となるパターンや関係に関する解釈可能な洞察を提供する最先端のパフォーマンスモデルの必要性が高まっている。 属性技術は時系列モデルから説明を抽出して洞察を得ることを可能にするが、その堅牢性と信頼性を評価することは困難である。 本稿では,時系列の帰属手法の特性としてロバスト性と信頼性を組み込んだ帰属安定指標(asi)を提案する。 我々は、元の時系列の相関による摂動解析を摂動インスタンスに拡張し、その測度に所望の特性を含めるための属性を導出する。 本研究では,次元再現空間における属性の分析と3つの時系列分類データセット上でのASIスコア分布に基づいて,所望の特性を実証する。

関連論文リスト

• 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)
• Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
  本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。 幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
  論文  参考訳（メタデータ） (2024-07-02T20:14:32Z)
• 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)
• ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
  チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。 我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
  論文  参考訳（メタデータ） (2023-04-07T15:17:48Z)
• Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
  天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。 時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。 我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。 提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
  論文  参考訳（メタデータ） (2022-10-02T06:58:49Z)
• 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)
• Massive feature extraction for explaining and foretelling hydroclimatic time series forecastability at the global scale [0.0]
  本稿では,記述時系列の特徴と実時間時系列予測可能性の関係について検討する。 このフレームワークを3つのグローバルデータセットに適用する。 Nash-Sutcliffe効率のこの予測可能性は、いくつかの記述的特徴と強く関連している。
  論文  参考訳（メタデータ） (2021-07-25T19:15:19Z)
• Interpretable Time-series Representation Learning With Multi-Level Disentanglement [56.38489708031278]
  Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。 DTSは時系列の解釈可能な表現として階層的意味概念を生成する。 DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-05-17T22:02:24Z)
• Spatiotemporal Attention for Multivariate Time Series Prediction and Interpretation [17.568599402858037]
  最も重要な時間ステップと変数の同時学習のための時間的注意機構(STAM)。 結果: STAMは最先端の予測精度を維持しつつ,正確な解釈可能性の利点を提供する。
  論文  参考訳（メタデータ） (2020-08-11T17:34:55Z)
• What went wrong and when? Instance-wise Feature Importance for Time-series Models [32.76628660490065]
  時系列ブラックボックスモデルにおける観測の重要性を評価する枠組みを提案する。 FITは、分布シフトへの貢献に基づく観測の重要性を定義している。 時間依存分布シフトを制御する必要性を示す。
  論文  参考訳（メタデータ） (2020-03-05T18:45:05Z)

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。