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
- 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) - 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) - An End-to-End Time Series Model for Simultaneous Imputation and Forecast [14.756607742477252]
我々は,推論関係を学習し,複数段階の予測を行うために,エンドツーエンドの時系列モデルを開発する。
我々のフレームワークは2つのニューラルネットワークを共同でトレーニングし、1つは特徴量相関を学習し、もう1つは時間的行動のモデリングを学習する。
論文 参考訳(メタデータ) (2023-06-01T15:08:22Z) - 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) - 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) - 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) - Deep Time Series Models for Scarce Data [8.673181404172963]
時系列データは多くの領域で爆発的な速度で成長し、時系列モデリング研究の急増を刺激している。
データ希少性は、膨大なデータ分析の問題で発生する普遍的な問題です。
論文 参考訳(メタデータ) (2021-03-16T22:16:54Z) - Time Series Data Imputation: A Survey on Deep Learning Approaches [4.4458738910060775]
時系列データ計算は、様々なカテゴリのメソッドでよく研究されている問題である。
ディープラーニングに基づく時系列手法は、RNNのようなモデルの使用によって進歩している。
我々は,それらのモデルアーキテクチャ,その長所,短所,短所,および時系列計算手法の開発を示す効果をレビューし,議論する。
論文 参考訳(メタデータ) (2020-11-23T11:57:27Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z) - 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。