Fugu-MT 論文翻訳(概要): XAI for time-series classification leveraging image highlight methods

論文の概要: XAI for time-series classification leveraging image highlight methods

arxiv url: http://arxiv.org/abs/2311.17110v1
Date: Tue, 28 Nov 2023 10:59:18 GMT
ステータス: 処理完了
システム内更新日: 2023-11-30 23:51:54.814783
Title: XAI for time-series classification leveraging image highlight methods
Title（参考訳）: 画像ハイライト法を用いた時系列分類のためのXAI
Authors: Georgios Makridis, Georgios Fatouros, Vasileios Koukos, Dimitrios Kotios, Dimosthenis Kyriazis, Ioannis Soldatos
Abstract要約: 時系列分類タスクにおいて解釈可能性を提供する教師学生アーキテクチャ(蒸留モデル)にディープニューラルネットワーク(DNN)を提案する。
参考スコア（独自算出の注目度）: 0.0699049312989311
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Although much work has been done on explainability in the computer vision and natural language processing (NLP) fields, there is still much work to be done to explain methods applied to time series as time series by nature can not be understood at first sight. In this paper, we present a Deep Neural Network (DNN) in a teacher-student architecture (distillation model) that offers interpretability in time-series classification tasks. The explainability of our approach is based on transforming the time series to 2D plots and applying image highlight methods (such as LIME and GradCam), making the predictions interpretable. At the same time, the proposed approach offers increased accuracy competing with the baseline model with the trade-off of increasing the training time.
Abstract（参考訳）: コンピュータビジョンと自然言語処理(nlp)の分野では説明可能性について多くの研究がなされているが、自然による時系列として時系列に適用される方法を説明することは、一見すると理解できない。本稿では、時系列分類タスクにおける解釈可能性を提供する教師学生アーキテクチャ(蒸留モデル)にディープニューラルネットワーク(DNN)を提案する。このアプローチの説明は、時系列を2dプロットに変換し、画像ハイライト手法(limeやgradcamなど)を適用して予測を解釈することに基づいている。同時に,提案手法は,トレーニング時間の増加のトレードオフとともに,ベースラインモデルと競合する精度の向上を提供する。

関連論文リスト

Graph Neural Alchemist: An innovative fully modular architecture for time series-to-graph classification [0.0]
本稿では時系列分類のための新しいグラフニューラルネットワーク(GNN)アーキテクチャを提案する。時系列を可視グラフとして表現することにより、時系列データ固有の時間的依存関係の両方を符号化することができる。私たちのアーキテクチャは完全にモジュール化されており、異なるモデルで柔軟な実験を可能にします。
論文参考訳（メタデータ） (2024-10-12T00:03:40Z)
Multi-Patch Prediction: Adapting LLMs for Time Series Representation Learning [22.28251586213348]
aLLM4TSは、時系列表現学習にLarge Language Models(LLM)を適用する革新的なフレームワークである。われわれのフレームワークの特筆すべき要素はパッチワイドデコーディング層である。
論文参考訳（メタデータ） (2024-02-07T13:51:26Z)
RTQ: Rethinking Video-language Understanding Based on Image-text Model [55.278942477715084]
ビデオ言語理解は、非常に複雑なセマンティックな詳細を含んでいるため、ユニークな課題を提示する。本稿では,これらの課題を同時に解決するRTQという新しいフレームワークを提案する。本モデルは,ビデオ言語による事前学習がなくても,優れた性能を示す。
論文参考訳（メタデータ） (2023-12-01T04:51:01Z)
Self-Distilled Representation Learning for Time Series [45.51976109748732]
時系列データに対する自己教師型学習は、最近自然言語処理とコンピュータビジョンで発表されたものと類似した可能性を秘めている。我々は,Data2vec自己蒸留フレームワークに基づく,概念的にシンプルだが強力な非競合的アプローチを提案する。 UCRやUEAのアーカイブやETTやElectricityのデータセットなど、最先端の自己教師型学習手法と比較して、下流タスクとして分類と予測を行うアプローチの競争力を実証する。
論文参考訳（メタデータ） (2023-11-19T14:34:01Z)
On the Consistency and Robustness of Saliency Explanations for Time Series Classification [4.062872727927056]
時系列ウィンドウを画像として解釈するために、サリエンシマップが適用されている。本稿では,時系列の特徴と時間的属性に対するサリエンシマップの一貫性とロバスト性について広く分析する。
論文参考訳（メタデータ） (2023-09-04T09:08:22Z)
TimeMAE: Self-Supervised Representations of Time Series with Decoupled Masked Autoencoders [55.00904795497786]
トランスフォーマネットワークに基づく転送可能な時系列表現を学習するための,新しい自己教師型パラダイムであるTimeMAEを提案する。 TimeMAEは双方向符号化方式を用いて時系列の豊富な文脈表現を学習する。新たに挿入されたマスク埋め込みによって生じる不一致を解消するため、分離されたオートエンコーダアーキテクチャを設計する。
論文参考訳（メタデータ） (2023-03-01T08:33:16Z)
Revisiting Temporal Modeling for CLIP-based Image-to-Video Knowledge Transferring [82.84513669453744]
画像テキスト事前訓練モデル(例えばCLIP)は、大規模な画像テキストデータペアから学んだ、印象的な汎用マルチモーダル知識を示している。画像間知識伝達の文脈における時間的モデリングを再考する。本稿では,CLIPモデルを多様なビデオタスクに拡張する簡易かつ効果的な時間的モデリング機構を提案する。
論文参考訳（メタデータ） (2023-01-26T14:12:02Z)
Learning to Exploit Temporal Structure for Biomedical Vision-Language Processing [53.89917396428747]
視覚言語処理における自己教師あり学習は、画像とテキストのモダリティのセマンティックアライメントを利用する。トレーニングと微調整の両方で利用できる場合、事前のイメージとレポートを明示的に説明します。我々のアプローチはBioViL-Tと呼ばれ、テキストモデルと共同で訓練されたCNN-Transformerハイブリッドマルチイメージエンコーダを使用する。
論文参考訳（メタデータ） (2023-01-11T16:35:33Z)
Ripple: Concept-Based Interpretation for Raw Time Series Models in Education [5.374524134699487]
時系列は、教育予測タスクにおいて最も一般的な入力データである。本稿では,グラフニューラルネットワークを用いた不規則な多変量時系列モデリングを用いて,同等あるいはより良い精度を実現する手法を提案する。教育領域におけるこれらの進歩を分析し,早期学生のパフォーマンス予測の課題に対処する。
論文参考訳（メタデータ） (2022-12-02T12:26:00Z)
mPLUG: Effective and Efficient Vision-Language Learning by Cross-modal Skip-connections [104.14624185375897]
mPLUGは、クロスモーダルな理解と生成のための新しいビジョン言語基盤モデルである。画像キャプション、画像テキスト検索、視覚的グラウンドリング、視覚的質問応答など、幅広い視覚言語下流タスクの最先端結果を達成する。
論文参考訳（メタデータ） (2022-05-24T11:52:06Z)
Learning Temporal Dynamics from Cycles in Narrated Video [85.89096034281694]
時が経つにつれて世界がどのように変化するかをモデル化する学習問題に対する自己監督型ソリューションを提案します。私たちのモデルは、前方および後方の時間を予測するためにモダリティに依存しない関数を学習します。将来的な動作の予測や画像の時間的順序付けなど,様々なタスクに対して,学習されたダイナミクスモデルを適用する。
論文参考訳（メタデータ） (2021-01-07T02:41:32Z)

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。