Fugu-MT 論文翻訳(概要): Explaining time series models using frequency masking

論文の概要: Explaining time series models using frequency masking

arxiv url: http://arxiv.org/abs/2406.13584v1
Date: Wed, 19 Jun 2024 14:19:59 GMT
ステータス: 処理完了
システム内更新日: 2024-06-21 19:24:08.028810
Title: Explaining time series models using frequency masking
Title（参考訳）: 周波数マスキングを用いた時系列モデルの記述
Authors: Thea Brüsch, Kristoffer K. Wickstrøm, Mikkel N. Schmidt, Tommy S. Alstrøm, Robert Jenssen,
Abstract要約: 時系列データは、医療、金融、気候など多くの重要な領域を記述する上で重要である。正当性マップを得るための現在の方法は、生の入力空間における局所的な情報を仮定する。本稿では、FreqRISEを提案する。FreqRISEは、マスキングに基づく手法を用いて、周波数領域と時間周波数領域の説明を生成する。
参考スコア（独自算出の注目度）: 10.706092195673255
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Time series data is fundamentally important for describing many critical domains such as healthcare, finance, and climate, where explainable models are necessary for safe automated decision-making. To develop eXplainable AI (XAI) in these domains therefore implies explaining salient information in the time series. Current methods for obtaining saliency maps assumes localized information in the raw input space. In this paper, we argue that the salient information of a number of time series is more likely to be localized in the frequency domain. We propose FreqRISE, which uses masking based methods to produce explanations in the frequency and time-frequency domain, which shows the best performance across a number of tasks.
Abstract（参考訳）: 時系列データは、医療、金融、気候など多くの重要な領域を記述する上で、基本的に重要である。これらの領域でeXplainable AI(XAI)を開発するには、時系列で有能な情報を説明する必要がある。正当性マップを得るための現在の方法は、生の入力空間における局所的な情報を仮定する。本稿では,複数の時系列の有意な情報が周波数領域に局所化される傾向にあることを論じる。本稿では、FreqRISEを提案する。FreqRISEは、マスキングに基づく手法を用いて、複数のタスクにおいて最高のパフォーマンスを示す周波数領域と時間周波数領域の説明を生成する。

関連論文リスト

FLEXtime: Filterbank learning for explaining time series [10.706092195673257]
本稿では,FLEXtimeと呼ばれる時系列説明可能性の新たな手法を提案する。フィルタバンクを使用して、時系列を周波数帯域に分割し、これらのバンドの最適な組み合わせを学ぶ。本評価の結果,FLEXtime は様々なデータセットに対して,最先端の説明可能性手法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） (2024-11-06T15:06:42Z)
Time is Not Enough: Time-Frequency based Explanation for Time-Series Black-Box Models [12.575427166236844]
時系列ブラックボックス分類器の時間周波数説明を提供するXAIフレームワークであるSpectral eXplanation(SpectralX)を提案する。また,新しい摂動型XAI法であるFeature Importance Approximations (FIA)を導入する。
論文参考訳（メタデータ） (2024-08-07T08:51:10Z)
ROSE: Register Assisted General Time Series Forecasting with Decomposed Frequency Learning [17.734609093955374]
分解周波数学習(ROSE)を用いた登録型汎用時系列予測モデルを提案する。 ROSEは事前学習タスクに分解周波数学習を採用し、周波数ベースのマスキングと再構成による時系列における意味情報と周期情報を分解し、ドメイン間の統一表現を得る。大規模時系列データを事前トレーニングした後、ROSEは8つの実世界のベンチマークで最先端の予測性能を達成する。
論文参考訳（メタデータ） (2024-05-24T06:01:09Z)
Time Series Diffusion in the Frequency Domain [54.60573052311487]
周波数領域における時系列表現がスコアベース拡散モデルに有用な帰納バイアスであるか否かを解析する。重要なニュアンスを持つ周波数領域において、二重拡散過程が生じることを示す。周波数領域に拡散モデルを実装するために,デノナイジングスコアマッチング手法を適用する方法を示す。
論文参考訳（メタデータ） (2024-02-08T18:59:05Z)
HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-08-11T14:05:51Z)
Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
論文参考訳（メタデータ） (2021-10-11T13:33:18Z)
Deep Autoregressive Models with Spectral Attention [74.08846528440024]
本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
論文参考訳（メタデータ） (2021-07-13T11:08:47Z)
Voice2Series: Reprogramming Acoustic Models for Time Series Classification [65.94154001167608]
Voice2Seriesは、時系列分類のための音響モデルをプログラムする新しいエンドツーエンドアプローチである。 V2Sは20のタスクで性能が優れるか、最先端のメソッドと結びついているかを示し、平均精度を1.84%向上させる。
論文参考訳（メタデータ） (2021-06-17T07:59:15Z)
Explaining Time Series Predictions with Dynamic Masks [91.3755431537592]
機械学習モデルの予測を説明するために動的マスク(Dynamask)を提案する。人工的および実世界のデータを用いて、Dynamaskのダイナミックな基盤は、そのパーシモニーとともに、時間とともに重要な特徴を識別する優れた改善をもたらすことを実証する。 Dynamaskのモジュラリティは、医療や金融といった分野における幅広い機械学習モデルの透明性を高めるためのプラグインとして理想的だ。
論文参考訳（メタデータ） (2021-06-09T18:01:09Z)
Unsupervised Representation Learning for Time Series with Temporal Neighborhood Coding [8.45908939323268]
非定常時系列に対する一般化可能な表現を学習するための自己教師型フレームワークを提案する。我々のモチベーションは、時系列データの動的性質をモデル化する能力が特に有用である医療分野に起因している。
論文参考訳（メタデータ） (2021-06-01T19:53:24Z)
Deep learning for time series classification [2.0305676256390934]
時系列分析により、時間の経過とともにプロセスの進化を可視化し、理解することができます。時系列分類は時系列データを自動的にラベル付けするアルゴリズムで構成されている。ディープラーニングは、教師付き分類タスクに対処する最も効果的な方法の1つとして登場した。
論文参考訳（メタデータ） (2020-10-01T17:38:40Z)

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。