論文の概要: FLEXtime: Filterbank learning for explaining time series

• arxiv url: http://arxiv.org/abs/2411.05841v1
• Date: Wed, 06 Nov 2024 15:06:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:08:38.681056
• Title: FLEXtime: Filterbank learning for explaining time series
• Title（参考訳）: FLEXtime:時系列を説明するためのフィルタバンク学習
• Authors: Thea Brüsch, Kristoffer K. Wickstrøm, Mikkel N. Schmidt, Robert Jenssen, Tommy S. Alstrøm,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.706092195673257
• License:
• Abstract: State-of-the-art methods for explaining predictions based on time series are built on learning an instance-wise saliency mask for each time step. However, for many types of time series, the salient information is found in the frequency domain. Adopting existing methods to the frequency domain involves naively zeroing out frequency content in the signals, which goes against established signal processing theory. Therefore, we propose a new method entitled FLEXtime, that uses a filterbank to split the time series into frequency bands and learns the optimal combinations of these bands. FLEXtime avoids the drawbacks of zeroing out frequency bins and is more stable and easier to train compared to the naive method. Our extensive evaluation shows that FLEXtime on average outperforms state-of-the-art explainability methods across a range of datasets. FLEXtime fills an important gap in the time series explainability literature and can provide a valuable tool for a wide range of time series like EEG and audio.
• Abstract（参考訳）: 時系列に基づく予測を記述するための最先端の手法は、各ステップごとにインスタンスワイズ・サリエンシ・マスクを学習することに基づいて構築される。 しかし、様々な種類の時系列に対して、この周波数領域に有意な情報が見つかる。 周波数領域に既存の手法を採用するには、確立された信号処理理論に反する信号の周波数内容のNaly 0化が必要となる。 そこで本研究では,フィルタバンクを用いて時系列を周波数帯域に分割し,これらの帯域の最適組み合わせを学習するFLEXtimeという新しい手法を提案する。 FLEXtimeは周波数ビンをゼロにすることの欠点を回避し、単純で訓練しやすい。 FLEXtimeは,さまざまなデータセットに対して,最新の説明可能性手法より優れていることを示す。 FLEXtimeは時系列説明可能性の文献において重要なギャップを埋め、脳波やオーディオのような幅広い時系列に有用なツールを提供する。

関連論文リスト

• FilterNet: Harnessing Frequency Filters for Time Series Forecasting [34.83702192033196]
  FilterNetは、時系列信号の特定の成分を選択的に通過または減衰させることにより、重要な情報的時間パターンを抽出するために、我々の提案した学習可能な周波数フィルタ上に構築されている。 2つのフィルタを備えることで、FilterNetは、時系列文学で広く採用されている線形およびアテンションマッピングを概ねサロゲートすることができる。
  論文  参考訳（メタデータ） (2024-11-03T16:20:41Z)
• Omni-Dimensional Frequency Learner for General Time Series Analysis [12.473862872616998]
  スペクトル特徴の3つの側面の奥行き解析に基づいて,Omni-dimensional Frequency Learner (ODFL) モデルを提案する。 本手法は,非定常周波数帯域に着目した意味適応型大域的フィルタとチャネル次元間の部分演算からなる。 ODFLは、短期および長期予測、計算、分類、異常検出を含む5つの主流時系列分析タスクにおいて、一貫した最先端を達成している。
  論文  参考訳（メタデータ） (2024-07-15T03:48:16Z)
• Deep Frequency Derivative Learning for Non-stationary Time Series Forecasting [12.989064148254936]
  非定常時系列予測のためのディープ周波数微分学習フレームワークDERITSを提案する。 具体的には、DERITSは、新しい可逆変換、すなわち周波数微分変換(FDT)に基づいて構築される。
  論文  参考訳（メタデータ） (2024-06-29T17:56:59Z)
• Explaining time series models using frequency masking [10.706092195673255]
  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。
  論文  参考訳（メタデータ） (2024-06-19T14:19:59Z)
• ATFNet: Adaptive Time-Frequency Ensembled Network for Long-term Time Series Forecasting [7.694820760102176]
  ATFNetは、時間ドメインモジュールと周波数ドメインモジュールを組み合わせた革新的なフレームワークである。 本稿では,2つのモジュール間の重み調整機構であるドミナント・ハーモニック・シリーズ・エナジー・ウェイトリングを紹介する。 我々の複素数値スペクトル注意機構は、異なる周波数の組み合わせ間の複雑な関係を識別するための新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2024-04-08T04:41:39Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• WFTNet: Exploiting Global and Local Periodicity in Long-term Time Series Forecasting [61.64303388738395]
  本稿では,長期連続予測のためのWavelet-Fourier Transform Network (WFTNet)を提案する。 さまざまな時系列データセットのテストでは、WFTNetは他の最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-09-20T13:44:18Z)
• 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)
• Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
  本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。 我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-27T14:25:52Z)
• 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)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)

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。