論文の概要: TSFeatLIME: An Online User Study in Enhancing Explainability in Univariate Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2409.15950v1
- Date: Tue, 24 Sep 2024 10:24:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-26 07:51:56.994018
- Title: TSFeatLIME: An Online User Study in Enhancing Explainability in Univariate Time Series Forecasting
- Title（参考訳）: TSFeatLIME: 一様時系列予測における説明可能性向上のためのオンラインユーザスタディ
- Authors: Hongnan Ma, Kevin McAreavey, Weiru Liu,
- Abstract要約: 本稿では, TSLIMEを拡張したTSFeatLIMEというフレームワークを提案する。
TSFeatLIMEは補助的特徴をサロゲートモデルに統合し、クエリされた時系列と生成されたサンプルの間の一対のユークリッド距離を考察する。
その結果,TSFeatLIMEフレームワーク下でのサロゲートモデルは,距離を考慮したブラックボックスの挙動を,精度を犠牲にすることなくより良くシミュレートできることがわかった。
- 参考スコア（独自算出の注目度）: 1.9314780151274307
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Time series forecasting, while vital in various applications, often employs complex models that are difficult for humans to understand. Effective explainable AI techniques are crucial to bridging the gap between model predictions and user understanding. This paper presents a framework - TSFeatLIME, extending TSLIME, tailored specifically for explaining univariate time series forecasting. TSFeatLIME integrates an auxiliary feature into the surrogate model and considers the pairwise Euclidean distances between the queried time series and the generated samples to improve the fidelity of the surrogate models. However, the usefulness of such explanations for human beings remains an open question. We address this by conducting a user study with 160 participants through two interactive interfaces, aiming to measure how individuals from different backgrounds can simulate or predict model output changes in the treatment group and control group. Our results show that the surrogate model under the TSFeatLIME framework is able to better simulate the behaviour of the black-box considering distance, without sacrificing accuracy. In addition, the user study suggests that the explanations were significantly more effective for participants without a computer science background.
- Abstract（参考訳）: 時系列予測は様々な応用において不可欠であるが、人間には理解が難しい複雑なモデルを用いることが多い。
モデル予測とユーザ理解のギャップを埋めるためには、効果的な説明可能なAI技術が不可欠だ。
本稿では,TSLIMEを拡張したフレームワークTSFeatLIMEについて述べる。
TSFeatLIMEはサロゲートモデルに補助的特徴を組み込み、キュード時系列と生成されたサンプル間のペアワイズユークリッド距離を考慮し、サロゲートモデルの忠実度を改善する。
しかし、そのような説明が人間にとって有用であることは、未解決の問題である。
本研究では,異なる背景の個人が治療群と対照群でモデル出力の変化をシミュレートしたり予測したりすることを目的とした,2つのインタラクティブインターフェースによる160人の参加者によるユーザスタディを実施することで,この問題に対処する。
この結果から,TSFeatLIMEフレームワークのサロゲートモデルにより,距離を考慮したブラックボックスの挙動を,精度を犠牲にすることなくより良くシミュレートできることが示唆された。
さらに,コンピュータ科学の背景を持たない参加者に対しては,説明が有意に有効であったことが示唆された。
関連論文リスト
- A Reliable Framework for Human-in-the-Loop Anomaly Detection in Time Series [17.08674819906415]
HILADは、人間とAIの動的かつ双方向なコラボレーションを促進するために設計された、新しいフレームワークである。
ビジュアルインターフェースを通じて、HILADはドメインの専門家に、大規模な予期せぬモデルの振る舞いを検出し、解釈し、修正する権限を与えます。
論文 参考訳（メタデータ） (2024-05-06T07:44:07Z) - Koopman Ensembles for Probabilistic Time Series Forecasting [6.699751896019971]
独立に訓練されたモデルのアンサンブルは極めて過信であり、メンバーに高いモデル間分散による予測を明示的に促す訓練基準を用いることで、アンサンブルの不確実性を大幅に改善することを示す。
論文 参考訳（メタデータ） (2024-03-11T14:29:56Z) - Prompt Learning on Temporal Interaction Graphs [25.28535762085367]
時間的相互作用グラフ(TIG)は現実世界のシステムを表現するために広く利用されている。
TIGモデルは、トレーニング前予測のトレーニングパラダイムにおいて、トレーニング前予測と下流予測の間に厳しいギャップに直面しています。
本稿では,TIGモデルとシームレスに統合する汎用フレームワークであるTIGPromptについて紹介する。
論文 参考訳（メタデータ） (2024-02-09T11:06:20Z) - 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) - TimeTuner: Diagnosing Time Representations for Time-Series Forecasting
with Counterfactual Explanations [3.8357850372472915]
本稿では,モデル行動が局所化,定常性,時系列表現の相関とどのように関連しているかをアナリストが理解するために,新しいビジュアル分析フレームワークであるTimeTunerを提案する。
TimeTunerは時系列表現を特徴付けるのに役立ち、機能エンジニアリングのプロセスを導くのに役立ちます。
論文 参考訳（メタデータ） (2023-07-19T11:40:15Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳（メタデータ） (2023-06-20T03:02:14Z) - Ripple: Concept-Based Interpretation for Raw Time Series Models in
Education [5.374524134699487]
時系列は、教育予測タスクにおいて最も一般的な入力データである。
本稿では,グラフニューラルネットワークを用いた不規則な多変量時系列モデリングを用いて,同等あるいはより良い精度を実現する手法を提案する。
教育領域におけるこれらの進歩を分析し,早期学生のパフォーマンス予測の課題に対処する。
論文 参考訳（メタデータ） (2022-12-02T12:26:00Z) - Correlation Information Bottleneck: Towards Adapting Pretrained
Multimodal Models for Robust Visual Question Answering [63.87200781247364]
相関情報ボトルネック (CIB) は圧縮と表現の冗長性のトレードオフを求める。
マルチモーダル入力と表現の相互情報に対して,理論上界を厳密に導出する。
論文 参考訳（メタデータ） (2022-09-14T22:04:10Z) - 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) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Harnessing Perceptual Adversarial Patches for Crowd Counting [92.79051296850405]
群衆のカウントは、物理的な世界の敵の例に弱い。
本稿では,モデル間での知覚的特徴の共有を学習するためのPAP(Perceptual Adrial Patch)生成フレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-16T13:51:39Z)
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。