Fugu-MT 論文翻訳(概要): Surrogate Modeling for Explainable Predictive Time Series Corrections

論文の概要: Surrogate Modeling for Explainable Predictive Time Series Corrections

arxiv url: http://arxiv.org/abs/2412.19897v1
Date: Fri, 27 Dec 2024 19:17:02 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-31 16:07:21.803905
Title: Surrogate Modeling for Explainable Predictive Time Series Corrections
Title（参考訳）: 説明可能な時系列補正のためのサロゲートモデリング
Authors: Alfredo Lopez, Florian Sobieczky,
Abstract要約: 古典的時系列'ベースモデル'の予測を改善するために、当初は解釈不能な予測モデルが使用される。補正の「説明可能性」は、誤り予測を除去したデータに再びベースモデルを適合させることで提供される(減算)。本稿では,データ中のパターンを発見し,説明するための手法の可能性を示すための例を示す。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: We introduce a local surrogate approach for explainable time-series forecasting. An initially non-interpretable predictive model to improve the forecast of a classical time-series 'base model' is used. 'Explainability' of the correction is provided by fitting the base model again to the data from which the error prediction is removed (subtracted), yielding a difference in the model parameters which can be interpreted. We provide illustrative examples to demonstrate the potential of the method to discover and explain underlying patterns in the data.
Abstract（参考訳）: 本稿では,時系列予測のためのローカルサロゲート手法を提案する。古典的時系列'ベースモデル'の予測を改善するための、当初は解釈不能な予測モデルが使用される。補正の「説明可能性」は、誤り予測を除去したデータに再度ベースモデルを適合させ(減算)、解釈可能なモデルパラメータの違いを生じさせる。本稿では,データ中のパターンを発見し,説明するための手法の可能性を示すための例を示す。

関連論文リスト

Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
拡散モデルは、生成的モデリングに大きな進歩をもたらした。しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。これらの課題に対処するための影響関数フレームワークを開発する。
論文参考訳（メタデータ） (2024-10-17T17:59:02Z)
Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。本手法は, 推定手法よりも有効であることを示す。
論文参考訳（メタデータ） (2024-08-26T08:39:09Z)
Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文参考訳（メタデータ） (2024-02-12T16:15:25Z)
Deep Non-Parametric Time Series Forecaster [19.800783133682955]
提案手法は, 予測分布のパラメトリック形式を仮定せず, 学習可能な戦略に従って実験分布からサンプリングして予測を生成する。提案手法のグローバルバージョンを開発し,複数の時系列にまたがる情報を活用することで,サンプリング戦略を自動的に学習する。
論文参考訳（メタデータ） (2023-12-22T12:46:30Z)
Prediction Errors for Penalized Regressions based on Generalized Approximate Message Passing [0.0]
C_p$ criterion, Information criteria, and leave-one-out Cross Validation (LOOCV) error。 GAMPの枠組みでは,推定値の分散を利用して情報基準を表現できることが示されている。
論文参考訳（メタデータ） (2022-06-26T09:42:39Z)
Pathologies of Pre-trained Language Models in Few-shot Fine-tuning [50.3686606679048]
実例が少ない事前学習言語モデルはラベル間に強い予測バイアスを示すことを示す。わずかな微調整で予測バイアスを軽減できるが,本分析では,非タスク関連の特徴を捉えることで,モデルの性能向上を図っている。これらの観察は、より少ない例でモデルのパフォーマンスを追求することは、病理学的予測行動を引き起こす可能性があることを警告する。
論文参考訳（メタデータ） (2022-04-17T15:55:18Z)
EDDA: Explanation-driven Data Augmentation to Improve Model and Explanation Alignment [12.729179495550557]
モデル予測と説明手法の整合性を改善する手法を模索する。我々は,新しい説明駆動型データ拡張(EDDA)手法によりこれを実現した。これは、モデル予測のために正当領域を除外する単純な動機付け原理に基づいており、モデル予測におけるモデルの信頼性を低下させる。
論文参考訳（メタデータ） (2021-05-29T00:42:42Z)
Beyond Trivial Counterfactual Explanations with Diverse Valuable Explanations [64.85696493596821]
コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
論文参考訳（メタデータ） (2021-03-18T12:57:34Z)
Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文参考訳（メタデータ） (2020-10-27T17:54:12Z)
Explainable boosted linear regression for time series forecasting [0.1876920697241348]
時系列予測では、過去の観測を収集し分析し、将来の観測を外挿するモデルを開発する。時系列予測のための説明可能な強化線形回帰(EBLR)アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-09-18T22:31:42Z)

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。