論文の概要: Interpreting Time Series Transformer Models and Sensitivity Analysis of
Population Age Groups to COVID-19 Infections
- arxiv url: http://arxiv.org/abs/2401.15119v1
- Date: Fri, 26 Jan 2024 02:58:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 19:49:52.515733
- Title: Interpreting Time Series Transformer Models and Sensitivity Analysis of
Population Age Groups to COVID-19 Infections
- Title（参考訳）: 新型コロナウイルス感染集団の時系列トランスフォーマモデルと感度分析
- Authors: Md Khairul Islam, Tyler Valentine, Timothy Joowon Sue, Ayush
Karmacharya, Luke Neil Benham, Zhengguang Wang, Kingsley Kim, Judy Fox
- Abstract要約: 我々は、最近の局所解釈手法を利用して、最先端の時系列モデルを解釈する。
実世界のデータセットを使用するために、3,142郡で毎日3年間のケースデータを収集した。
- 参考スコア（独自算出の注目度）: 0.35337216626844875
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interpreting deep learning time series models is crucial in understanding the
model's behavior and learning patterns from raw data for real-time
decision-making. However, the complexity inherent in transformer-based time
series models poses challenges in explaining the impact of individual features
on predictions. In this study, we leverage recent local interpretation methods
to interpret state-of-the-art time series models. To use real-world datasets,
we collected three years of daily case data for 3,142 US counties. Firstly, we
compare six transformer-based models and choose the best prediction model for
COVID-19 infection. Using 13 input features from the last two weeks, we can
predict the cases for the next two weeks. Secondly, we present an innovative
way to evaluate the prediction sensitivity to 8 population age groups over
highly dynamic multivariate infection data. Thirdly, we compare our proposed
perturbation-based interpretation method with related work, including a total
of eight local interpretation methods. Finally, we apply our framework to
traffic and electricity datasets, demonstrating that our approach is generic
and can be applied to other time-series domains.
- Abstract（参考訳）: ディープラーニングの時系列モデルを解釈することは、モデルの振る舞いや学習パターンを生データから理解し、リアルタイムな意思決定に不可欠である。
しかし、トランスフォーマーに基づく時系列モデルに固有の複雑さは、個々の特徴が予測に与える影響を説明する上での課題となる。
本研究では,最近の局所的解釈手法を利用して,最新の時系列モデルを解釈する。
実世界のデータセットを使用するために、3,142郡で毎日3年間のケースデータを収集した。
まず,6つのトランスフォーマーモデルを比較し,covid-19感染予測モデルを選択する。
過去2週間の13の入力機能を使用して、今後2週間のケースを予測することができる。
第2に,高ダイナミック多変量感染データを用いた8つの集団年齢群に対する予測感度の評価方法を提案する。
第3に,提案する摂動に基づく解釈法と関連する8つの解釈法との比較を行った。
最後に、我々のフレームワークをトラフィックと電気のデータセットに適用し、我々のアプローチが汎用的で、他の時系列領域に適用可能であることを示す。
関連論文リスト
- GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。
GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。
GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
論文 参考訳（メタデータ） (2024-10-14T11:29:38Z) - DAM: Towards A Foundation Model for Time Series Forecasting [0.8231118867997028]
本稿では,ランダムにサンプリングされた履歴を抽出し,時間連続関数として調整可能な基底組成を出力するニューラルモデルを提案する。
1)長い尾の分布からランダムにサンプリングされたヒストリーを使用する柔軟なアプローチ、(2)これらの活発にサンプリングされたヒストリーに基づいてトレーニングされたトランスフォーマーバックボーンを表現的出力として、(3)時間の連続関数の基底係数を含む。
論文 参考訳（メタデータ） (2024-07-25T08:48:07Z) - A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。
我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。
本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
論文 参考訳（メタデータ） (2024-04-29T17:19:40Z) - Learning signatures of decision making from many individuals playing the
same game [54.33783158658077]
我々は、個人の「行動スタイル」を符号化する表現を学習する予測フレームワークを設計する。
我々は,3本腕のバンディットタスクを行う1,000人の人間による大規模行動データセットに本手法を適用した。
論文 参考訳（メタデータ） (2023-02-21T21:41:53Z) - Forecasting COVID-19 Caseloads Using Unsupervised Embedding Clusters of
Social Media Posts [14.201816626446885]
本稿では,トランスフォーマーをベースとした言語モデルを感染症モデルに組み込んだ新しいアプローチを提案する。
他の高品質データセットから抽出した特徴に対して,これらのクラスタ化埋め込み機能をベンチマークする。
しきい値分類タスクでは、上向きトレンド信号の予測において、他の全ての特徴種よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-05-20T18:59:04Z) - 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) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Examining Deep Learning Models with Multiple Data Sources for COVID-19
Forecasting [10.052302234274256]
COVID-19予測のためのディープラーニングモデルの設計と分析を行う。
新型コロナウイルス(COVID-19)や死亡例数などの複数のソースが、より良い予測のためにデータとテストデータを数えている。
時間的予測のためのクラスタリングに基づくトレーニングを提案する。
論文 参考訳（メタデータ） (2020-10-27T17:52:02Z) - Multivariate Time-series Anomaly Detection via Graph Attention Network [27.12694738711663]
多変量時系列の異常検出は、データマイニング研究と産業応用の両方において非常に重要である。
1つの大きな制限は、異なる時系列間の関係を明示的に捉えないことである。
この問題に対処するために,多変量時系列異常検出のための新しい自己教師型フレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-04T07:46:19Z) - DeepCOVIDNet: An Interpretable Deep Learning Model for Predictive
Surveillance of COVID-19 Using Heterogeneous Features and their Interactions [2.30238915794052]
今後の新型コロナウイルス感染者の増加範囲を予測するための深層学習モデルを提案する。
様々なソースから収集したデータを用いて、米国全郡で7日以内に感染が拡大する範囲を推定する。
論文 参考訳（メタデータ） (2020-07-31T23:37:38Z) - From Sound Representation to Model Robustness [82.21746840893658]
本研究では, 環境音の標準的な表現(スペクトログラム)が, 被害者の残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。
3つの環境音響データセットの様々な実験から、ResNet-18モデルは、他のディープラーニングアーキテクチャよりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-07-27T17:30:49Z)
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。