論文の概要: Shapelet-based Model-agnostic Counterfactual Local Explanations for Time
Series Classification
- arxiv url: http://arxiv.org/abs/2402.01343v1
- Date: Fri, 2 Feb 2024 11:57:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-05 15:38:49.393177
- Title: Shapelet-based Model-agnostic Counterfactual Local Explanations for Time
Series Classification
- Title(参考訳): シェープレットに基づく時系列分類のためのモデル非現実的局所記述法
- Authors: Qi Huang, Wei Chen, Thomas B\"ack, Niki van Stein
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.866975269666861
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we propose a model-agnostic instance-based post-hoc
explainability method for time series classification. The proposed algorithm,
namely Time-CF, leverages shapelets and TimeGAN to provide counterfactual
explanations for arbitrary time series classifiers. We validate the proposed
method on several real-world univariate time series classification tasks from
the UCR Time Series Archive. The results indicate that the counterfactual
instances generated by Time-CF when compared to state-of-the-art methods,
demonstrate better performance in terms of four explainability metrics:
closeness, sensibility, plausibility, and sparsity.
- Abstract(参考訳): 本稿では,時系列分類のためのモデル非依存なインスタンスベース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。
提案手法は,UCR時系列アーカイブから,実世界の複数時系列分類タスクについて検証する。
その結果,Time-CFが生成する反ファクトのインスタンスは,最先端の手法と比較して,近さ,感受性,妥当性,疎さの4つの説明可能性指標で優れた性能を示した。
関連論文リスト
- TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [70.38241681764738]
時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。
本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
論文 参考訳(メタデータ) (2024-02-04T13:10:51Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - Robust Framework for Explanation Evaluation in Time Series
Classification [4.817429789586127]
本稿では時系列分類のための説明手法を定量的に評価・ランク付けするための枠組みを提供する。
本稿では,複数のサリエンシに基づく説明を評価・比較するための頑健なモデル非依存的説明評価フレームワークを提案する。
その結果, 時系列の識別的部分の摂動は, 分類精度に大きな変化をもたらすことがわかった。
論文 参考訳(メタデータ) (2023-06-08T18:49:23Z) - Interpretable Time Series Clustering Using Local Explanations [0.4588028371034407]
最先端のクラスタリングモデルの多くは、直接的に説明できない。
クラスタラベルを推定するために分類モデルを訓練する。
そこで我々は,解釈可能性法を用いて分類モデルの決定を説明する。
論文 参考訳(メタデータ) (2022-08-01T21:51:16Z) - 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) - TimeREISE: Time-series Randomized Evolving Input Sample Explanation [5.557646286040063]
TimeREISEは時系列分類の文脈において、特に成功に対応するモデル属性法である。
本手法は, 既往の高精度な測定方法と比較して, 優れた性能を示す。
論文 参考訳(メタデータ) (2022-02-16T09:40:13Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳(メタデータ) (2021-10-26T20:41:19Z) - Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。
最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。
ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文 参考訳(メタデータ) (2021-10-11T13:46:28Z) - CSDI: Conditional Score-based Diffusion Models for Probabilistic Time
Series Imputation [107.63407690972139]
Conditional Score-based Diffusion Model for Imputation (CSDI) は、観測データに条件付きスコアベース拡散モデルを利用する新しい時系列計算法である。
CSDIは、一般的なパフォーマンスメトリクスの既存の確率論的計算方法よりも40-70%改善されている。
さらに、Cは最先端の決定論的計算法と比較して誤差を5-20%削減する。
論文 参考訳(メタデータ) (2021-07-07T22:20:24Z) - Explainable Multivariate Time Series Classification: A Deep Neural
Network Which Learns To Attend To Important Variables As Well As Informative
Time Intervals [32.30627405832656]
時系列データは、様々な現実世界のアプリケーションで広く使われている。
このような予測モデルを理解するための重要な基準は、分類に対する時間変化の入力変数の寄与を解明し定量化することである。
本稿では,変数と時間間隔を同時に識別し,分類出力を決定する新しい,モジュール型・畳み込み型特徴抽出・注目機構を提案する。
論文 参考訳(メタデータ) (2020-11-23T19:16:46Z) - Instance-based Counterfactual Explanations for Time Series
Classification [11.215352918313577]
我々は,時系列分類器の対実的説明を生成する新しいモデルに依存しないケースベース手法を推し進める。
我々は、Native Guideが、主要なベンチマークカウンターファクト法により生成されたものよりも優れた、可塑性、近さ、スパース、多彩な説明を生成することを示す。
論文 参考訳(メタデータ) (2020-09-28T10:52:48Z)
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。