論文の概要: Explainable Adaptive Tree-based Model Selection for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2401.01124v1
• Date: Tue, 2 Jan 2024 09:40:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-03 14:25:17.074552
• Title: Explainable Adaptive Tree-based Model Selection for Time Series Forecasting
• Title（参考訳）: 時系列予測のための説明可能な適応木モデル選択
• Authors: Matthias Jakobs and Amal Saadallah
• Abstract要約: 木に基づくモデルは、時系列予測など、様々なタスクにうまく適用されている。 多くは過度に適合する問題に悩まされており、現実の意思決定における応用を制限している。 そこで本研究では,時系列予測タスクにおけるTreeSHAP説明可能性を用いた木モデルオンライン選択手法を提案する。
• 参考スコア（独自算出の注目度）: 1.0515439489916734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tree-based models have been successfully applied to a wide variety of tasks, including time series forecasting. They are increasingly in demand and widely accepted because of their comparatively high level of interpretability. However, many of them suffer from the overfitting problem, which limits their application in real-world decision-making. This problem becomes even more severe in online-forecasting settings where time series observations are incrementally acquired, and the distributions from which they are drawn may keep changing over time. In this context, we propose a novel method for the online selection of tree-based models using the TreeSHAP explainability method in the task of time series forecasting. We start with an arbitrary set of different tree-based models. Then, we outline a performance-based ranking with a coherent design to make TreeSHAP able to specialize the tree-based forecasters across different regions in the input time series. In this framework, adequate model selection is performed online, adaptively following drift detection in the time series. In addition, explainability is supported on three levels, namely online input importance, model selection, and model output explanation. An extensive empirical study on various real-world datasets demonstrates that our method achieves excellent or on-par results in comparison to the state-of-the-art approaches as well as several baselines.
• Abstract（参考訳）: 木に基づくモデルは、時系列予測を含む様々なタスクにうまく適用されている。 比較的高い解釈可能性のため、需要が増加し、広く受け入れられている。 しかし、その多くが過度に適合する問題に悩まされており、現実の意思決定における応用を制限している。 この問題は、時系列観測が漸進的に取得されるオンラインフォアキャスト環境ではさらに深刻になり、それらが引き出される分布は時間とともに変化する可能性がある。 本稿では,時系列予測のタスクにおいて,treeshapによる説明可能性を用いた木ベースモデルのオンライン選択手法を提案する。 まずは、ツリーベースのモデルの任意のセットから始めます。 次に,木が木ベースの予測器を入力時系列の異なる領域に特殊化できるように,コヒーレントな設計でパフォーマンスベースのランキングを概説する。 本フレームワークでは,時系列のドリフト検出に追従して,適切なモデル選択を行う。 さらに、オンライン入力重要度、モデル選択、モデル出力説明という3つのレベルで説明可能性をサポートする。 様々な実世界のデータセットに対する広範な実証研究により,本手法は最先端のアプローチやいくつかのベースラインと比較して,優れた,あるいは十分な結果が得られることを示した。

関連論文リスト

• Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
  時系列データは、現実世界のシナリオにおいて非常に重要である。 近年、時系列コミュニティで顕著なブレークスルーが見られた。 多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
  論文  参考訳（メタデータ） (2024-07-18T08:31:55Z)
• Forecasting with Hyper-Trees [50.72190208487953]
  Hyper-Treesは時系列モデルのパラメータを学習するために設計されている。 対象とする時系列モデルのパラメータを特徴に関連付けることで、Hyper-Treesはパラメータ非定常性の問題にも対処する。 この新しいアプローチでは、木はまず入力特徴から情報表現を生成し、浅いネットワークはターゲットモデルパラメータにマップする。
  論文  参考訳（メタデータ） (2024-05-13T15:22:15Z)
• FocusLearn: Fully-Interpretable, High-Performance Modular Neural Networks for Time Series [0.3277163122167434]
  本稿では,構築によって解釈可能な時系列予測のための新しいモジュール型ニューラルネットワークモデルを提案する。 リカレントニューラルネットワークはデータ内の時間的依存関係を学習し、アテンションベースの特徴選択コンポーネントは最も関連性の高い特徴を選択する。 モジュール型のディープネットワークは、選択した機能から独立してトレーニングされ、ユーザーが機能がどのように結果に影響を与えるかを示し、モデルを解釈できる。
  論文  参考訳（メタデータ） (2023-11-28T14:51:06Z)
• OneNet: Enhancing Time Series Forecasting Models under Concept Drift by Online Ensembling [65.93805881841119]
  ドリフト問題に対処するため,textbfOnline textbfensembling textbfNetwork (OneNet)を提案する。 OneNet は State-Of-The-Art (SOTA) 法と比較してオンライン予測エラーを $mathbf50%$ 以上削減する。
  論文  参考訳（メタデータ） (2023-09-22T06:59:14Z)
• Time Series Continuous Modeling for Imputation and Forecasting with Implicit Neural Representations [15.797295258800638]
  本稿では,実世界のデータでしばしば発生する課題に対処するために,時系列計算と予測のための新しいモデリング手法を提案する。 本手法はシリーズの進化力学の連続時間依存モデルに依存する。 メタラーニングアルゴリズムによって駆動される変調機構は、観測されたタイムウインドウを超えて、見えないサンプルや外挿への適応を可能にする。
  論文  参考訳（メタデータ） (2023-06-09T13:20:04Z)
• SETAR-Tree: A Novel and Accurate Tree Algorithm for Global Time Series Forecasting [7.206754802573034]
  本稿では,TARモデルと回帰木との密接な関係について検討する。 本研究では,葉のグローバルプール回帰(PR)モデルをトレーニングする,予測固有木アルゴリズムを提案する。 本評価では, 提案した樹木モデルと森林モデルを用いて, 最先端の樹木モデルよりも精度の高い木モデルを提案する。
  論文  参考訳（メタデータ） (2022-11-16T04:30:42Z)
• A Study of Joint Graph Inference and Forecasting [13.340967777671565]
  多変量時系列の予測を改善するためにグラフニューラルネットワーク(GNN)を用いた最近のモデルのクラスについて検討する。 グラフを微分可能な方法でパラメータ化することで、モデルは予測品質を改善することを目指している。
  論文  参考訳（メタデータ） (2021-09-10T16:34:35Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of Time Series [77.47313102926017]
  Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。 それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。 radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
  論文  参考訳（メタデータ） (2021-02-15T00:57:28Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。