論文の概要: TX-Gen: Multi-Objective Optimization for Sparse Counterfactual Explanations for Time-Series Classification

• arxiv url: http://arxiv.org/abs/2409.09461v2
• Date: Mon, 11 Nov 2024 09:37:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:06:34.948263
• Title: TX-Gen: Multi-Objective Optimization for Sparse Counterfactual Explanations for Time-Series Classification
• Title（参考訳）: TX-Gen:Sparse Counterfactal Explanationsのための時系列分類のための多目的最適化
• Authors: Qi Huang, Sofoklis Kitharidis, Thomas Bäck, Niki van Stein,
• Abstract要約: 非支配的ソーティング遺伝的アルゴリズム(NSGA-II)に基づく反実的説明を生成する新しいアルゴリズムであるTX-Genを導入する。 フレキシブルな参照誘導機構を組み込むことにより,事前定義された仮定に頼ることなく,その妥当性と解釈性を向上させる。
• 参考スコア（独自算出の注目度）: 0.42105583610914427
• License:
• Abstract: In time-series classification, understanding model decisions is crucial for their application in high-stakes domains such as healthcare and finance. Counterfactual explanations, which provide insights by presenting alternative inputs that change model predictions, offer a promising solution. However, existing methods for generating counterfactual explanations for time-series data often struggle with balancing key objectives like proximity, sparsity, and validity. In this paper, we introduce TX-Gen, a novel algorithm for generating counterfactual explanations based on the Non-dominated Sorting Genetic Algorithm II (NSGA-II). TX-Gen leverages evolutionary multi-objective optimization to find a diverse set of counterfactuals that are both sparse and valid, while maintaining minimal dissimilarity to the original time series. By incorporating a flexible reference-guided mechanism, our method improves the plausibility and interpretability of the counterfactuals without relying on predefined assumptions. Extensive experiments on benchmark datasets demonstrate that TX-Gen outperforms existing methods in generating high-quality counterfactuals, making time-series models more transparent and interpretable.
• Abstract（参考訳）: 時系列分類では、医療や金融といった高度な分野において、モデル決定を理解することが重要である。 モデル予測を変える別の入力を提示することで洞察を提供する対物的説明は、有望な解決策を提供する。 しかしながら、時系列データに対する反実的な説明を生成する既存の方法は、近接性、疎性、妥当性といった主要な目的のバランスに苦慮することが多い。 本稿では,Non-dominated Sorting Genetic Algorithm II (NSGA-II)に基づいて,反実的説明を生成する新しいアルゴリズムであるTX-Genを紹介する。 TX-Genは進化的多目的最適化を利用して、オリジナルの時系列と最小限の相似性を保ちながら、スパースかつ有効である多様な反事実の集合を見つける。 フレキシブルな参照誘導機構を組み込むことにより,事前定義された仮定に頼ることなく,その妥当性と解釈性を向上させる。 ベンチマークデータセットに関する大規模な実験により、TX-Genは、高品質なカウンティファクトを生成する既存の手法よりも優れており、時系列モデルはより透明で解釈可能であることが示されている。

関連論文リスト

• FutureFill: Fast Generation from Convolutional Sequence Models [22.410028211490424]
  FutureFillは畳み込み演算子に基づく任意のシーケンス予測アルゴリズムに適用可能な高速生成法である。 提案手法は, 文脈長に対して, 生成時間を2次から4次へと短縮する。 本研究は, 合成生成タスクにおける正当性と効率向上を示す実験的証拠を用いて, 理論的知見を検証した。
  論文  参考訳（メタデータ） (2024-10-02T15:22:08Z)
• Classification of High-dimensional Time Series in Spectral Domain using Explainable Features [8.656881800897661]
  本稿では,高次元定常時系列を分類するためのモデルに基づくアプローチを提案する。 我々のアプローチはモデルパラメータの解釈可能性を強調し、神経科学のような分野に特に適している。 我々の手法の新規性は、モデルパラメータの解釈可能性にあり、神経科学における重要なニーズに対処する。
  論文  参考訳（メタデータ） (2024-08-15T19:10:12Z)
• tPARAFAC2: Tracking evolving patterns in (incomplete) temporal data [0.7285444492473742]
  進化因子の時間的スムーズ性正規化を利用した t(emporal)PARAFAC2 を導入する。 シミュレーションおよび実データを用いた数値実験により,時間的滑らか度正則化の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-01T15:10:55Z)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• Precision-Recall Divergence Optimization for Generative Modeling with GANs and Normalizing Flows [54.050498411883495]
  本研究では,ジェネレーティブ・アドバイサル・ネットワークや正規化フローなどの生成モデルのための新しいトレーニング手法を開発した。 指定された精度-リコールトレードオフを達成することは、textitPR-divergencesと呼ぶ家族からのユニークな$f$-divergenceを最小化することを意味する。 当社のアプローチは,ImageNetなどのデータセットでテストした場合の精度とリコールの両面で,BigGANのような既存の最先端モデルの性能を向上させる。
  論文  参考訳（メタデータ） (2023-05-30T10:07:17Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• An Interpretable and Efficient Infinite-Order Vector Autoregressive Model for High-Dimensional Time Series [1.4939176102916187]
  本稿では,高次元時系列に対する新しいスパース無限次VARモデルを提案する。 このモデルによって得られたVARMA型力学の時間的・横断的な構造は別々に解釈できる。 統計的効率と解釈可能性の向上は、時間的情報をほとんど失わずに達成できる。
  論文  参考訳（メタデータ） (2022-09-02T17:14:24Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• MACE: An Efficient Model-Agnostic Framework for Counterfactual Explanation [132.77005365032468]
  MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。 MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。 公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
  論文  参考訳（メタデータ） (2022-05-31T04:57:06Z)
• A Variational Inference Approach to Inverse Problems with Gamma Hyperpriors [60.489902135153415]
  本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。 提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
  論文  参考訳（メタデータ） (2021-11-26T06:33:29Z)
• 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。