論文の概要: Multi-SpaCE: Multi-Objective Subsequence-based Sparse Counterfactual Explanations for Multivariate Time Series Classification

• arxiv url: http://arxiv.org/abs/2501.04009v1
• Date: Sat, 14 Dec 2024 09:21:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-12 16:25:20.278563
• Title: Multi-SpaCE: Multi-Objective Subsequence-based Sparse Counterfactual Explanations for Multivariate Time Series Classification
• Title（参考訳）: Multi-SpaCE:多変量時系列分類のための多目的サブシーケンスに基づくスパース対実記述
• Authors: Mario Refoyo, David Luengo,
• Abstract要約: マルチSpaCEは、時系列データの近接性、疎性、可視性、整合性をバランスさせる。 常に完全な妥当性を達成し、既存の方法と比較して優れたパフォーマンスを提供する。
• 参考スコア（独自算出の注目度）: 3.8305310459921587
• License:
• Abstract: Deep Learning systems excel in complex tasks but often lack transparency, limiting their use in critical applications. Counterfactual explanations, a core tool within eXplainable Artificial Intelligence (XAI), offer insights into model decisions by identifying minimal changes to an input to alter its predicted outcome. However, existing methods for time series data are limited by univariate assumptions, rigid constraints on modifications, or lack of validity guarantees. This paper introduces Multi-SpaCE, a multi-objective counterfactual explanation method for multivariate time series. Using non-dominated ranking genetic algorithm II (NSGA-II), Multi-SpaCE balances proximity, sparsity, plausibility, and contiguity. Unlike most methods, it ensures perfect validity, supports multivariate data and provides a Pareto front of solutions, enabling flexibility to different end-user needs. Comprehensive experiments in diverse datasets demonstrate the ability of Multi-SpaCE to consistently achieve perfect validity and deliver superior performance compared to existing methods.
• Abstract（参考訳）: ディープラーニングシステムは複雑なタスクに優れるが、透明性が欠如し、重要なアプリケーションでの使用を制限することが多い。 eXplainable Artificial Intelligence (XAI)の中核的なツールである反現実的説明は、予測結果を変更するために入力に対する最小限の変更を特定することによって、モデル決定に対する洞察を提供する。 しかし、時系列データの既存の方法は、一変量仮定、修正に対する厳格な制約、妥当性保証の欠如によって制限されている。 本稿では,多変量時系列の多目的対実説明法であるMulti-SpaCEを紹介する。 非支配的なランク付け遺伝アルゴリズムII(NSGA-II)を用いて、Multi-SpaCEは近接性、疎性、可視性、連続性をバランスさせる。 多くのメソッドとは異なり、完全な妥当性を確保し、多変量データをサポートし、ソリューションのParetoフロントを提供し、異なるエンドユーザのニーズに柔軟性を提供する。 多様なデータセットにおける総合的な実験は、Multi-SpaCEが完全な妥当性を一貫して達成し、既存の手法よりも優れた性能を提供できることを示す。

関連論文リスト

• AdaPTS: Adapting Univariate Foundation Models to Probabilistic Multivariate Time Series Forecasting [10.899510048905926]
  本稿では,機能間の複雑な依存関係を管理し,予測の不確実性を定量化するアダプタを提案する。 合成データセットと実世界のデータセットの両方で実施された実験により、アダプタの有効性が確認された。 私たちのフレームワークであるAdaPTSは、アダプタをモジュール的でスケーラブルで効果的なソリューションとして位置づけています。
  論文  参考訳（メタデータ） (2025-02-14T15:46:19Z)
• DRFormer: Multi-Scale Transformer Utilizing Diverse Receptive Fields for Long Time-Series Forecasting [3.420673126033772]
  本稿では,動的スパース学習アルゴリズムを用いた動的トークン化手法を提案する。 提案するDRFormerは,実世界の様々なデータセットを用いて評価し,既存の手法と比較して,その優位性を示す実験結果を得た。
  論文  参考訳（メタデータ） (2024-08-05T07:26:47Z)
• U3M: Unbiased Multiscale Modal Fusion Model for Multimodal Semantic Segmentation [63.31007867379312]
  U3M: An Unbiased Multiscale Modal Fusion Model for Multimodal Semanticsを紹介する。 我々は,グローバルな特徴とローカルな特徴の効果的な抽出と統合を保証するために,複数のスケールで機能融合を採用している。 実験により,本手法は複数のデータセットにまたがって優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-05-24T08:58:48Z)
• Multimodal Representation Learning by Alternating Unimodal Adaptation [73.15829571740866]
  MLA(Multimodal Learning with Alternating Unimodal Adaptation)を提案する。 MLAは、それを交互に一助学習プロセスに変換することで、従来の共同マルチモーダル学習プロセスを再構築する。 共有ヘッドを通じてモーダル間相互作用をキャプチャし、異なるモーダル間で連続的な最適化を行う。 実験は5つの多様なデータセットで行われ、完全なモダリティを持つシナリオと、欠落したモダリティを持つシナリオを含む。
  論文  参考訳（メタデータ） (2023-11-17T18:57:40Z)
• Kernel-based Joint Independence Tests for Multivariate Stationary and Non-stationary Time Series [0.6749750044497732]
  多変量時系列における共同独立のカーネルベース統計テストを導入する。 提案手法は, 合成例において, 高次依存関係を頑健に発見する方法を示す。 我々の手法はデータの高次相互作用を明らかにするのに役立つ。
  論文  参考訳（メタデータ） (2023-05-15T10:38:24Z)
• A Unifying Perspective on Multi-Calibration: Game Dynamics for Multi-Objective Learning [63.20009081099896]
  マルチキャリブレーション予測器の設計と解析のための統一フレームワークを提供する。 ゲームダイナミクスとの接続を利用して,多様なマルチ校正学習問題に対する最先端の保証を実現する。
  論文  参考訳（メタデータ） (2023-02-21T18:24:17Z)
• Generalizing Multimodal Variational Methods to Sets [35.69942798534849]
  本稿では,マルチモーダル潜在空間を学習するために,Set Multimodal VAE(SMVAE)と呼ばれる新しい変分法を提案する。 共同モダリティ後部分布を直接モデル化することにより、提案したSMVAEは、複数のモダリティ間で情報を交換し、分解による欠点を補うことを学習する。
  論文  参考訳（メタデータ） (2022-12-19T23:50:19Z)
• Mitigating Gradient Bias in Multi-objective Learning: A Provably Convergent Stochastic Approach [38.76462300149459]
  我々は多目的勾配最適化のための多目的補正法(MoCo)を開発した。 本手法の特長は,非公正勾配を増大させることなく収束を保証できる点である。
  論文  参考訳（メタデータ） (2022-10-23T05:54:26Z)
• Variational Distillation for Multi-View Learning [104.17551354374821]
  我々は,多視点表現学習における2つの重要な特徴を利用するために,様々な情報ボトルネックを設計する。 厳密な理論的保証の下で,本手法は,観察とセマンティックラベルの内在的相関の把握を可能にする。
  論文  参考訳（メタデータ） (2022-06-20T03:09:46Z)
• Machine Learning for Multi-Output Regression: When should a holistic multivariate approach be preferred over separate univariate ones? [62.997667081978825]
  ランダムフォレストのような木に基づくアンサンブルは、統計学の手法の中で近代的な古典である。 これらの手法を広範囲なシミュレーションで比較し,多変量アンサンブル技術を用いた場合の主問題に答える。
  論文  参考訳（メタデータ） (2022-01-14T08:44:25Z)
• Channel Exchanging Networks for Multimodal and Multitask Dense Image Prediction [125.18248926508045]
  本稿では,マルチモーダル融合とマルチタスク学習の両方に適用可能な,自己適応的でパラメータフリーなチャネル交換ネットワーク(CEN)を提案する。 CENは異なるモダリティのワーク間でチャネルを動的に交換する。 濃密な画像予測を応用するために、CENの有効性は4つの異なるシナリオで検証される。
  論文  参考訳（メタデータ） (2021-12-04T05:47:54Z)

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。