論文の概要: XMTC: Explainable Early Classification of Multivariate Time Series in Reach-to-Grasp Hand Kinematics

• arxiv url: http://arxiv.org/abs/2502.04398v1
• Date: Thu, 06 Feb 2025 07:14:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:55:10.434490
• Title: XMTC: Explainable Early Classification of Multivariate Time Series in Reach-to-Grasp Hand Kinematics
• Title（参考訳）: XMTC: Reach-to-Graspハンドキネマティクスにおける多変量時系列の説明可能な早期分類
• Authors: Reyhaneh Sabbagh Gol, Dimitar Valkov, Lars Linsen,
• Abstract要約: 本稿では,協調した複数ビューの可視化を取り入れたXMTCツールについて述べる。 複数のシナリオにおいて実世界のHCIデータにXMTCを用いており、早期に優れた分類予測が可能であることを示す。
• 参考スコア（独自算出の注目度）: 1.6385815610837167
• License:
• Abstract: Hand kinematics can be measured in Human-Computer Interaction (HCI) with the intention to predict the user's intention in a reach-to-grasp action. Using multiple hand sensors, multivariate time series data are being captured. Given a number of possible actions on a number of objects, the goal is to classify the multivariate time series data, where the class shall be predicted as early as possible. Many machine-learning methods have been developed for such classification tasks, where different approaches produce favorable solutions on different data sets. We, therefore, employ an ensemble approach that includes and weights different approaches. To provide a trustworthy classification production, we present the XMTC tool that incorporates coordinated multiple-view visualizations to analyze the predictions. Temporal accuracy plots, confusion matrix heatmaps, temporal confidence heatmaps, and partial dependence plots allow for the identification of the best trade-off between early prediction and prediction quality, the detection and analysis of challenging classification conditions, and the investigation of the prediction evolution in an overview and detail manner. We employ XMTC to real-world HCI data in multiple scenarios and show that good classification predictions can be achieved early on with our classifier as well as which conditions are easy to distinguish, which multivariate time series measurements impose challenges, and which features have most impact.
• Abstract（参考訳）: ハンドキネマティクスはHCI(Human-Computer Interaction)において、手の届く動作におけるユーザの意図を予測する目的で測定することができる。 複数のハンドセンサを使用して、多変量時系列データをキャプチャする。 多数のオブジェクトに対して可能なアクションがいくつか用意されているため、目標は、クラスをできるだけ早く予測する多変量時系列データを分類することである。 このような分類タスクに対して多くの機械学習手法が開発され、異なるアプローチが異なるデータセットに対して好適な解を生成する。 したがって、私たちは異なるアプローチを包含し、重み付けするアンサンブルアプローチを採用しています。 信頼性の高い分類生成を実現するため、協調した複数ビューの可視化を取り入れて予測を解析するXMTCツールを提案する。 時間的精度プロット、混乱行列ヒートマップ、時間的信頼性ヒートマップ、部分的依存プロットは、早期予測と予測品質の最良のトレードオフの特定、挑戦的な分類条件の検出と分析、および予測の進化を概観的かつ詳細な方法で調査することができる。 複数のシナリオにおいて、XMTCを実世界のHCIデータに適用し、分類器で早期に優れた分類予測が達成できること、どの条件が識別し易いか、どの多変量時系列測定が課題を課し、どの特徴に最も影響を与えるかを示す。

関連論文リスト

• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• Improving Event Time Prediction by Learning to Partition the Event Time Space [13.5391816206237]
  最近開発された生存分析法は, 未特定時間間隔のそれぞれの事象発生確率を予測し, 既存手法を改良した。 限られた利用可能なデータを持つ臨床環境では、手前の予測タスクに適した限られた間隔にイベント時間空間を散発的に分割することが好ましい。 2つのシミュレーションデータセットにおいて、基礎となる生成モデルと一致する間隔を復元できることが示される。 次に,新たに調和した脳卒中リスク予測データセットを含む実世界の3つの観測データに対して,予測性能の向上を示す。
  論文  参考訳（メタデータ） (2023-10-24T14:11:40Z)
• Evaluating Explanation Methods for Multivariate Time Series Classification [4.817429789586127]
  本論文の主な焦点は多変量時系列分類(MTSC)に適した説明手法の分析と評価である。 分類決定に最も関係の深いチャンネルや時系列ポイントを指摘できる唾液度に基づく説明法に着目する。 これらの手法を3つの合成データセットと2つの実世界のデータセットで検討し、提供された説明を定量的に定性的に分析する。
  論文  参考訳（メタデータ） (2023-08-29T11:24:12Z)
• Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
  本稿では,時間関連メタラーニング(TAML)手法を提案する。 タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。 複数の臨床データセットに対するTAMLの有効性を示す。
  論文  参考訳（メタデータ） (2023-03-05T03:54:54Z)
• Ti-MAE: Self-Supervised Masked Time Series Autoencoders [16.98069693152999]
  本稿では,Ti-MAEという新しいフレームワークを提案する。 Ti-MAEは、埋め込み時系列データをランダムにマスクアウトし、オートエンコーダを学び、ポイントレベルでそれらを再構築する。 いくつかの公開実世界のデータセットの実験では、マスク付きオートエンコーディングのフレームワークが生データから直接強力な表現を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-01-21T03:20:23Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。

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。