論文の概要: Counterfactual Explanations for Multivariate Time-Series without Training Datasets
- arxiv url: http://arxiv.org/abs/2405.18563v1
- Date: Tue, 28 May 2024 20:15:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-30 21:53:22.886252
- Title: Counterfactual Explanations for Multivariate Time-Series without Training Datasets
- Title（参考訳）: トレーニングデータセットを持たない多変量時系列の因果的説明
- Authors: Xiangyu Sun, Raquel Aoki, Kevin H. Wilson,
- Abstract要約: CFWoTは、トレーニングデータセットが利用できない場合にCFEを生成する新しい強化学習ベースのCFE手法である。
複数のデータセット上の4つのベースラインに対するCFWoTの性能を示す。
- 参考スコア（独自算出の注目度）: 4.039558709616107
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Machine learning (ML) methods have experienced significant growth in the past decade, yet their practical application in high-impact real-world domains has been hindered by their opacity. When ML methods are responsible for making critical decisions, stakeholders often require insights into how to alter these decisions. Counterfactual explanations (CFEs) have emerged as a solution, offering interpretations of opaque ML models and providing a pathway to transition from one decision to another. However, most existing CFE methods require access to the model's training dataset, few methods can handle multivariate time-series, and none can handle multivariate time-series without training datasets. These limitations can be formidable in many scenarios. In this paper, we present CFWoT, a novel reinforcement-learning-based CFE method that generates CFEs when training datasets are unavailable. CFWoT is model-agnostic and suitable for both static and multivariate time-series datasets with continuous and discrete features. Users have the flexibility to specify non-actionable, immutable, and preferred features, as well as causal constraints which CFWoT guarantees will be respected. We demonstrate the performance of CFWoT against four baselines on several datasets and find that, despite not having access to a training dataset, CFWoT finds CFEs that make significantly fewer and significantly smaller changes to the input time-series. These properties make CFEs more actionable, as the magnitude of change required to alter an outcome is vastly reduced.
- Abstract（参考訳）: 機械学習(ML)手法は、過去10年間に著しい成長を遂げてきたが、ハイインパクトな現実世界のドメインにおける実践的応用は、その不透明さによって妨げられている。
MLメソッドが重要な決定を行う責任がある場合、ステークホルダは、これらの決定を変更する方法に関する洞察を必要とすることが多い。
対物的説明(CFE)はソリューションとして現れ、不透明なMLモデルの解釈を提供し、ある決定から別の決定への遷移経路を提供する。
しかし、既存のCFEメソッドの多くはモデルのトレーニングデータセットへのアクセスを必要としており、多変量時系列を処理できるメソッドはほとんどなく、トレーニングデータセットなしでは多変量時系列を処理できない。
これらの制限は多くのシナリオで恐ろしくできる。
本稿では、トレーニングデータセットが利用できない場合にCFEを生成する新しい強化学習ベースのCFE手法CFWoTを提案する。
CFWoTはモデルに依存しず、連続的および離散的な特徴を持つ静的および多変量時系列データセットに適している。
ユーザは、CFWoTが保証する因果制約だけでなく、非アクション可能、不変、および推奨の機能を指定できる柔軟性がある。
いくつかのデータセット上の4つのベースラインに対してCFWoTの性能を実証し、トレーニングデータセットにアクセスできないにもかかわらず、CFWoTは入力時系列の変更を著しく小さくするCFEを見つける。
これらの性質により、CFEは結果を変えるのに必要な変化の大きさが大幅に減少するので、より実用的なものとなる。
関連論文リスト
- Cross-Modal Few-Shot Learning: a Generative Transfer Learning Framework [58.362064122489166]
本稿では,複数モーダルからインスタンスを識別するクロスモーダルなFew-Shot Learningタスクを提案する。
本稿では,1つの段階からなる生成的転帰学習フレームワークを提案する。1つは豊富な一助データに対する学習を伴い,もう1つは新しいデータに適応するための転帰学習に焦点を当てる。
以上の結果から,GTLは4つの異なるマルチモーダルデータセット間の最先端手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2024-10-14T16:09:38Z) - A Practitioner's Guide to Continual Multimodal Pretraining [83.63894495064855]
マルチモーダル・ファンデーション・モデルは視覚と言語を交わす多くのアプリケーションに役立っている。
モデルを更新し続けるために、継続事前トレーニングの研究は主に、大規模な新しいデータに対する頻度の低い、差別的な更新、あるいは頻繁に行われるサンプルレベルの更新のシナリオを探求する。
本稿では,FoMo-in-Flux(FoMo-in-Flux)について紹介する。
論文 参考訳（メタデータ） (2024-08-26T17:59:01Z) - Benchmarking Counterfactual Interpretability in Deep Learning Models for Time Series Classification [6.683066713491661]
Counterfactual (CF) メソッドは、モデル予測を変更するインスタンスの最小限の変更を識別するために使用される。
大規模な研究にもかかわらず、時系列領域におけるCFメソッドの既存のベンチマークは存在しない。
本研究では,CFの望ましい特性を正確に把握するために,定量的なメトリクスを再設計する。
論文 参考訳（メタデータ） (2024-08-22T18:17:26Z) - Federated Continual Learning Goes Online: Uncertainty-Aware Memory Management for Vision Tasks and Beyond [13.867793835583463]
本稿では,破滅的な記憶を解消するための不確実性を考慮したメモリベース手法を提案する。
特定の特性を持つサンプルを検索し、そのようなサンプル上でモデルを再訓練することで、このアプローチの可能性を実証する。
論文 参考訳（メタデータ） (2024-05-29T09:29:39Z) - FCDNet: Frequency-Guided Complementary Dependency Modeling for
Multivariate Time-Series Forecasting [9.083469629116784]
時系列予測のための簡潔で効果的なフレームワークであるFCDNetを提案する。
多レベル周波数パターンから長期的および短期的依存情報を適応的に抽出する。
実験の結果、FCDNetは強いベースラインをはるかに超えることがわかった。
論文 参考訳（メタデータ） (2023-12-27T07:29:52Z) - Task-Distributionally Robust Data-Free Meta-Learning [99.56612787882334]
Data-Free Meta-Learning (DFML)は、複数の事前学習モデルを活用することで、独自のトレーニングデータを必要とせずに、新しいタスクを効率的に学習することを目的としている。
TDS(Task-Distribution Shift)とTDC(Task-Distribution Corruption)の2つの大きな課題を初めて明らかにした。
論文 参考訳（メタデータ） (2023-11-23T15:46:54Z) - TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。
結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
論文 参考訳（メタデータ） (2023-10-02T16:45:19Z) - Detecting Morphing Attacks via Continual Incremental Training [10.796380524798744]
近年の継続学習(CL)パラダイムは,複数のサイトを通したインクリメンタルトレーニングを実現する上で,効果的なソリューションである可能性がある。
本稿では,このシナリオにおける異なる連続学習手法の性能について検討し,可変サイズであっても,新しいデータチャンクが利用できる度に更新される学習モデルをシミュレートする。
実験結果から,特定のCL手法,すなわちLawF(Learning without Forgetting)が最良性能アルゴリズムの1つであることが判明した。
論文 参考訳（メタデータ） (2023-07-27T17:48:29Z) - A Framework of Meta Functional Learning for Regularising Knowledge
Transfer [89.74127682599898]
本研究では,データ豊富なタスクから一般化可能な関数型モデルをメタ学習することで,メタ関数型学習(MFL)の新たなフレームワークを提案する。
MFLは、限定ラベル付きデータに対する機能訓練が学習すべきより差別的な機能を促進することにより、異なる学習タスクに一般化可能な機能正規化に関するメタ知識を計算する。
論文 参考訳（メタデータ） (2022-03-28T15:24:09Z) - Exploring Complementary Strengths of Invariant and Equivariant
Representations for Few-Shot Learning [96.75889543560497]
多くの現実世界では、多数のラベル付きサンプルの収集は不可能です。
少ないショット学習はこの問題に対処するための主要なアプローチであり、目的は限られた数のサンプルの存在下で新しいカテゴリに迅速に適応することです。
幾何学的変換の一般集合に対する等分散と不変性を同時に強制する新しい訓練機構を提案する。
論文 参考訳（メタデータ） (2021-03-01T21:14:33Z) - FLUID: A Unified Evaluation Framework for Flexible Sequential Data [42.44973069520298]
我々は新しい統合評価フレームワーク、FLUID(Flexible Sequential Data)を導入する。
FLUIDは、少数ショット、継続、転送、表現学習の目的を統合している。
我々は、現在のソリューションの利点と限界に関する新たな洞察をもたらす、幅広い手法の実験を行う。
論文 参考訳（メタデータ） (2020-07-06T04:31:54Z)
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。