論文の概要: XTSC-Bench: Quantitative Benchmarking for Explainers on Time Series Classification

• arxiv url: http://arxiv.org/abs/2310.14957v1
• Date: Mon, 23 Oct 2023 14:00:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-24 19:48:16.972790
• Title: XTSC-Bench: Quantitative Benchmarking for Explainers on Time Series Classification
• Title（参考訳）: XTSC-Bench:時系列分類における説明者のための定量的ベンチマーク
• Authors: Jacqueline H\"ollig, Steffen Thoma, Florian Grimm
• Abstract要約: 本稿では,TSC説明可能性評価のためのベンチマークツールであるXTSC-Benchを提案する。 我々は,3つの摂動,6つの勾配,2つの例に基づく説明法を解析し,説明者の堅牢性と信頼性の向上が必要であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Despite the growing body of work on explainable machine learning in time series classification (TSC), it remains unclear how to evaluate different explainability methods. Resorting to qualitative assessment and user studies to evaluate explainers for TSC is difficult since humans have difficulties understanding the underlying information contained in time series data. Therefore, a systematic review and quantitative comparison of explanation methods to confirm their correctness becomes crucial. While steps to standardized evaluations were taken for tabular, image, and textual data, benchmarking explainability methods on time series is challenging due to a) traditional metrics not being directly applicable, b) implementation and adaption of traditional metrics for time series in the literature vary, and c) varying baseline implementations. This paper proposes XTSC-Bench, a benchmarking tool providing standardized datasets, models, and metrics for evaluating explanation methods on TSC. We analyze 3 perturbation-, 6 gradient- and 2 example-based explanation methods to TSC showing that improvements in the explainers' robustness and reliability are necessary, especially for multivariate data.
• Abstract（参考訳）: 時系列分類(TSC)における説明可能な機械学習の研究は増えているが、どのように異なる説明可能性法を評価するかは未だ不明である。 時系列データに含まれる基礎情報を理解するのが難しいため, 質的評価やユーザスタディに切り替えて, TSCの解説者を評価することは困難である。 したがって、その正確性を確認するための説明方法を体系的に検討し、定量的に比較することが重要となる。 表、画像、テキストデータに対して標準化された評価のステップを採ったが、時系列における説明可能性のベンチマークは困難である。 a) 直接適用されない伝統的な指標 ロ 文献における時系列の伝統的な指標の実装及び適応は様々である。 c) 様々なベースラインの実装。 本稿では,標準データセット,モデル,メトリクスを提供するベンチマークツールであるxtsc-benchを提案する。 特に多変量データでは,3つの摂動,6勾配,2つのサンプルベース説明法をtscに解析し,説明者のロバスト性と信頼性の改善が必要であることを示した。

関連論文リスト

• Improving the Evaluation and Actionability of Explanation Methods for Multivariate Time Series Classification [4.588028371034407]
  MTSCに適用された属性手法の評価手法であるInterpretTimeの分析に焦点をあてる。 提案手法のいくつかの重大な弱点を示し,その精度と効率を改善するためのアイデアを提案する。 SHAPやFeature Ablationのような摂動に基づく手法は、データセットの集合でうまく機能する。
  論文  参考訳（メタデータ） (2024-06-18T11:18:46Z)
• Shapelet-based Model-agnostic Counterfactual Local Explanations for Time Series Classification [5.866975269666861]
  時系列分類のためのモデルに依存しないインスタンスベースのポストホック説明可能性法を提案する。 提案したアルゴリズム、すなわちTime-CFはシェープレットとTimeGANを利用して任意の時系列分類器に反実的な説明を提供する。
  論文  参考訳（メタデータ） (2024-02-02T11:57:53Z)
• 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)
• Convolutional and Deep Learning based techniques for Time Series Ordinal Classification [7.047582157120573]
  時系列規則分類(TSOC)は、このギャップをカバーする分野であるが、文献では未解明である。 本稿では,TSOC手法の最初のベンチマークを行い,対象ラベルの順序付けを利用して,現在のTSCの現状を向上する。
  論文  参考訳（メタデータ） (2023-06-16T11:57:11Z)
• Robust Explainer Recommendation for Time Series Classification [4.817429789586127]
  時系列分類は、人間の活動認識、スポーツ分析、一般的な感覚といった分野に共通する課題である。 近年,サリエンシマップの形での説明を提供するため,時系列に多種多様な手法が提案され,適用されている。 本稿では,時系列分類のための説明手法を定量的に評価し,ランク付けするための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-06-08T18:49:23Z)
• Mitigating Catastrophic Forgetting in Task-Incremental Continual Learning with Adaptive Classification Criterion [50.03041373044267]
  本稿では,継続的学習のための適応型分類基準を用いた教師付きコントラスト学習フレームワークを提案する。 実験により, CFLは最先端の性能を達成し, 分類基準に比べて克服する能力が強いことが示された。
  論文  参考訳（メタデータ） (2023-05-20T19:22:40Z)
• 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)
• Early Time-Series Classification Algorithms: An Empirical Comparison [59.82930053437851]
  早期時系列分類(Early Time-Series Classification, ETSC)は、できるだけ少ない測定で時系列のクラスを予測するタスクである。 既存のETSCアルゴリズムを公開データと,新たに導入された2つのデータセットで評価した。
  論文  参考訳（メタデータ） (2022-03-03T10:43:56Z)
• Re-Assessing the "Classify and Count" Quantification Method [88.60021378715636]
  分類とカウント(CC)は、しばしば偏りのある推定器である。 以前の作業では、CCの適切に最適化されたバージョンを適切に使用できなかった。 最先端の手法に劣っているものの、ほぼ最先端の精度を実現している、と我々は主張する。
  論文  参考訳（メタデータ） (2020-11-04T21:47:39Z)
• Benchmarking Multivariate Time Series Classification Algorithms [69.12151492736524]
  時系列分類(TSC)は、順序付き、実値付き、属性から離散的なターゲット変数の予測モデルを構築することを含む。 近年,従来の技術よりも大幅に改良された新しいTSCアルゴリズムが開発されている。 本稿では, 深層学習, シェープレット, 単語の袋を用いた MTSC アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-26T15:56:40Z)
• AdaS: Adaptive Scheduling of Stochastic Gradients [50.80697760166045]
  我々は、textit "knowledge gain" と textit "mapping condition" の概念を導入し、Adaptive Scheduling (AdaS) と呼ばれる新しいアルゴリズムを提案する。 実験によると、AdaSは派生した指標を用いて、既存の適応学習手法よりも高速な収束と優れた一般化、そして(b)いつトレーニングを中止するかを決定するための検証セットへの依存の欠如を示す。
  論文  参考訳（メタデータ） (2020-06-11T16:36:31Z)

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。