論文の概要: CGS-Mask: Making Time Series Predictions Intuitive for All

• arxiv url: http://arxiv.org/abs/2312.09513v2
• Date: Wed, 20 Dec 2023 02:14:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-21 21:27:10.240184
• Title: CGS-Mask: Making Time Series Predictions Intuitive for All
• Title（参考訳）: CGS-Mask:時系列予測を直感的にする
• Authors: Feng Lu, Wei Li, Yifei Sun, Cheng Song, Yufei Ren, Albert Y. Zomaya
• Abstract要約: 本稿では,CGS-Maskを提案する。 我々はCGS-Maskを合成および実世界のデータセット上で評価し、時間とともに特徴の重要性を解明するために最先端の手法より優れていた。 質問紙調査によるパイロット調査によると,CGS-Maskは容易に理解できる時系列予測結果を示す上で,最も効果的な手法である。
• 参考スコア（独自算出の注目度）: 31.410728554325328
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Artificial intelligence (AI) has immense potential in time series prediction, but most explainable tools have limited capabilities in providing a systematic understanding of important features over time. These tools typically rely on evaluating a single time point, overlook the time ordering of inputs, and neglect the time-sensitive nature of time series applications. These factors make it difficult for users, particularly those without domain knowledge, to comprehend AI model decisions and obtain meaningful explanations. We propose CGS-Mask, a post-hoc and model-agnostic cellular genetic strip mask-based saliency approach to address these challenges. CGS-Mask uses consecutive time steps as a cohesive entity to evaluate the impact of features on the final prediction, providing binary and sustained feature importance scores over time. Our algorithm optimizes the mask population iteratively to obtain the optimal mask in a reasonable time. We evaluated CGS-Mask on synthetic and real-world datasets, and it outperformed state-of-the-art methods in elucidating the importance of features over time. According to our pilot user study via a questionnaire survey, CGS-Mask is the most effective approach in presenting easily understandable time series prediction results, enabling users to comprehend the decision-making process of AI models with ease.
• Abstract（参考訳）: 人工知能(AI)は時系列予測において大きな可能性を秘めているが、ほとんどの説明可能なツールは、時間とともに重要な機能の体系的な理解を提供する能力に制限がある。 これらのツールは一般的に、単一の時点を評価し、入力の時間順序を見落とし、時系列アプリケーションの時間に敏感な性質を無視する。 これらの要因は、特にドメイン知識のないユーザにとって、AIモデルの判断を理解し、意味のある説明を得るのを難しくする。 本稿では,これらの課題に対処するために,CGS-Maskを提案する。 CGS-Maskは、連続した時間ステップを結合的なエンティティとして使用し、最終的な予測に対する機能の影響を評価し、時間とともにバイナリと持続的な機能の重要度スコアを提供する。 本アルゴリズムはマスク数を反復的に最適化し,適切な時間で最適マスクを得る。 我々はCGS-Maskを合成および実世界のデータセット上で評価し、時間とともに特徴の重要性を解明する最先端の手法より優れていた。 アンケートによるパイロットユーザ調査によると、CGS-Maskは、容易に理解できる時系列予測結果を示す最も効果的なアプローチであり、AIモデルの意思決定プロセスを簡単に理解することができる。

関連論文リスト

• XForecast: Evaluating Natural Language Explanations for Time Series Forecasting [72.57427992446698]
  時系列予測は、特に正確な予測に依存するステークホルダーにとって、意思決定を支援する。 伝統的に説明可能なAI(XAI)メソッドは、機能や時間的重要性を基盤とするものであり、専門家の知識を必要とすることが多い。 時系列データにおける複雑な因果関係のため,予測NLEの評価は困難である。
  論文  参考訳（メタデータ） (2024-10-18T05:16:39Z)
• Unveiling the Secrets: How Masking Strategies Shape Time Series Imputation [7.650009336768971]
  時系列計算はデータマイニングにおいて重要な課題であり、特に医療や環境モニタリングのような分野では、欠落したデータが分析結果を損なう可能性がある。 本研究では, 多様なマスキング戦略, 正規化タイミング, 欠落パターンが3つの多様なデータセットにおける11種類の最先端計算モデルの性能に及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2024-05-26T18:05:12Z)
• TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables [75.83318701911274]
  TimeXerは外部情報を取り込み、内因性変数の予測を強化する。 TimeXerは、12の現実世界の予測ベンチマークで一貫した最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-29T11:54:35Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• A Generic Approach to Integrating Time into Spatial-Temporal Forecasting via Conditional Neural Fields [1.7661845949769062]
  本稿では,時間成分を予測モデルに統合する一般的な手法を提案する。 主要なアイデアは、時間成分から抽出された補助的特徴を表現するために条件付きニューラルネットワークを使用することである。 道路交通とセルラーネットワーク交通データセットの実験は,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-05-11T14:20:23Z)
• On the Soundness of XAI in Prognostics and Health Management (PHM) [0.0]
  本研究は,予測保守のための時系列回帰モデルに適用された多くのXAI手法について,批判的かつ比較的な改訂を行った。 本研究の目的は,時系列分類に比べて研究の少ない時系列回帰におけるXAI手法の探索である。 実験で使用されたモデルは、航空機のエンジンの残留実用寿命を予測するために訓練されたDCNNである。
  論文  参考訳（メタデータ） (2023-03-09T13:27:54Z)
• Large Scale Mask Optimization Via Convolutional Fourier Neural Operator and Litho-Guided Self Training [54.16367467777526]
  マスクタスクを効率的に学習できる畳み込みニューラルネットワーク(CFCF)を提案する。 機械学習ベースのフレームワークが初めて、最先端の数値マスクデータセットを上回った。
  論文  参考訳（メタデータ） (2022-07-08T16:39:31Z)
• 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)
• Inferring Temporal Logic Properties from Data using Boosted Decision Trees [3.4606842570088094]
  本論文は,学習に基づくロボット制御の解釈に向けた第一歩である。 本稿では,漸進的な公式と予測学習という新しい学習問題を導入する。 本稿では,弱いが計算コストの低い学習者による予測と性能向上を実現するために,強化された決定木アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-24T19:29:02Z)
• Representation Learning for Sequence Data with Deep Autoencoding Predictive Components [96.42805872177067]
  本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。 我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。 提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
  論文  参考訳（メタデータ） (2020-10-07T03:34:01Z)

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。