論文の概要: Right on Time: Revising Time Series Models by Constraining their Explanations

• arxiv url: http://arxiv.org/abs/2402.12921v2
• Date: Wed, 28 Feb 2024 14:36:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-29 17:41:16.891837
• Title: Right on Time: Revising Time Series Models by Constraining their Explanations
• Title（参考訳）: right on time: 説明を制約して時系列モデルを改訂する
• Authors: Maurice Kraus, David Steinmann, Antonia W\"ust, Andre Kokozinski, Kristian Kersting
• Abstract要約: 時系列データにおいて共同ファウンダーを緩和する問題に対処するため、Right on Time(RioT)を導入します。 RioTは時間領域と周波数領域の両方にわたるモデル説明との相互作用を可能にする。 私たちは、RioTがP2Sの間違った理由や一般的な時系列分類や予測データセットからモデルを効果的に誘導できることを実証的に実証した。
• 参考スコア（独自算出の注目度）: 19.597488555122382
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The reliability of deep time series models is often compromised by their tendency to rely on confounding factors, which may lead to misleading results. Our newly recorded, naturally confounded dataset named P2S from a real mechanical production line emphasizes this. To tackle the challenging problem of mitigating confounders in time series data, we introduce Right on Time (RioT). Our method enables interactions with model explanations across both the time and frequency domain. Feedback on explanations in both domains is then used to constrain the model, steering it away from the annotated confounding factors. The dual-domain interaction strategy is crucial for effectively addressing confounders in time series datasets. We empirically demonstrate that RioT can effectively guide models away from the wrong reasons in P2S as well as popular time series classification and forecasting datasets.
• Abstract（参考訳）: 深い時系列モデルの信頼性は、結合する要因に依存する傾向によってしばしば損なわれ、誤解を招く結果に繋がる可能性がある。 実機械生産ラインから得られたP2Sというデータセットが、この点を強調している。 時系列データにおける共同創設者の緩和という課題に対処するために、Right on Time(RioT)を紹介します。 本手法は時間領域と周波数領域をまたいだモデル説明とのインタラクションを可能にする。 両方のドメインにおける説明に対するフィードバックはモデルを制約するために使用され、アノテーションを付した境界要素から遠ざかる。 デュアルドメインインタラクション戦略は、時系列データセットにおける共同設立者への効果的な対処に不可欠である。 我々は、暴動がp2sの間違った理由や一般的な時系列分類や予測データセットからモデルを効果的に導き出せることを実証的に実証する。

関連論文リスト

• Retrieval-Augmented Diffusion Models for Time Series Forecasting [19.251274915003265]
  検索時間拡張拡散モデル(RATD)を提案する。 RATDは埋め込みベースの検索プロセスと参照誘導拡散モデルという2つの部分から構成される。 当社のアプローチでは,データベース内の意味のあるサンプルを活用することで,サンプリングを支援し,データセットの利用を最大化することが可能です。
  論文  参考訳（メタデータ） (2024-10-24T13:14:39Z)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• UniTime: A Language-Empowered Unified Model for Cross-Domain Time Series Forecasting [59.11817101030137]
  この研究はドメイン境界を超越する統一モデルパラダイムを提唱する。 効果的なクロスドメインモデルを学ぶことは、以下の課題を提示します。 効果的なドメイン間時系列学習のためのUniTimeを提案する。
  論文  参考訳（メタデータ） (2023-10-15T06:30:22Z)
• Self-Interpretable Time Series Prediction with Counterfactual Explanations [4.658166900129066]
  解釈可能な時系列予測は、医療や自動運転といった安全上重要な分野において重要である。 既存の手法の多くは、重要なスコアを時系列のセグメントに割り当てることで予測を解釈することに集中している。 我々は,時系列予測のための非現実的かつ実用的な説明を生成する,CounTS(Counfactual Time Series)と呼ばれる自己解釈可能なモデルを開発した。
  論文  参考訳（メタデータ） (2023-06-09T16:42:52Z)
• Instructed Diffuser with Temporal Condition Guidance for Offline Reinforcement Learning [71.24316734338501]
  テンポラリ・コンポラブル・ディフューザ(TCD)を用いた実効時間条件拡散モデルを提案する。 TCDは、相互作用シーケンスから時間情報を抽出し、時間条件で生成を明示的にガイドする。 提案手法は,従来のSOTAベースラインと比較して最高の性能を達成または一致させる。
  論文  参考訳（メタデータ） (2023-06-08T02:12:26Z)
• Encoding Time-Series Explanations through Self-Supervised Model Behavior Consistency [26.99599329431296]
  トレーニング説明書の時系列一貫性モデルであるTimeXを提案する。 TimeXは、事前訓練された時系列モデルの振る舞いを模倣するために解釈可能なサロゲートを訓練する。 我々は8つの合成および実世界のデータセット上でTimeXを評価し、その性能を最先端の解釈可能性手法と比較した。
  論文  参考訳（メタデータ） (2023-06-03T13:25:26Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
  時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。 TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。 共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-20T17:40:03Z)
• Retrieval Based Time Series Forecasting [37.48394754614059]
  時系列データは、スマートトランスポートや環境モニタリングなど、さまざまなアプリケーションに現れる。 時系列解析の基本的な問題の1つは時系列予測である。 理論的にも実証的にも,関連する時系列を参照として検索することで,不確実性を効果的に低減できることを示す。
  論文  参考訳（メタデータ） (2022-09-27T16:43:55Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Inferring Individual Level Causal Models from Graph-based Relational Time Series [3.332377849866735]
  グラフに基づく関係時系列データに対する因果推論の問題を定式化する。 ノードの局所因果効果を正確に推定するために,グラフトポロジと時系列の両方を活用する因果推論モデルを提案する。
  論文  参考訳（メタデータ） (2020-01-16T18:48:40Z)

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。