論文の概要: Time-series attribution maps with regularized contrastive learning

• arxiv url: http://arxiv.org/abs/2502.12977v1
• Date: Mon, 17 Feb 2025 18:34:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:09:33.930505
• Title: Time-series attribution maps with regularized contrastive learning
• Title（参考訳）: 正規化コントラスト学習を用いた時系列属性マップ
• Authors: Steffen Schneider, Rodrigo González Laiz, Anastasiia Filippova, Markus Frey, Mackenzie Weygandt Mathis,
• Abstract要約: 勾配に基づく帰属法は、ディープラーニングモデルの決定を説明することを目的としているが、これまでは識別可能性の保証が欠如している。 本稿では,時系列データに基づく正規化コントラスト学習アルゴリズムを開発することにより,属性マップを識別可能性保証付きで生成する手法を提案する。 理論的には、xCEBRAはデータ生成過程のヤコビ行列を特定するのに好ましい性質を持っている。
• 参考スコア（独自算出の注目度）: 1.5503410315996757
• License:
• Abstract: Gradient-based attribution methods aim to explain decisions of deep learning models but so far lack identifiability guarantees. Here, we propose a method to generate attribution maps with identifiability guarantees by developing a regularized contrastive learning algorithm trained on time-series data plus a new attribution method called Inverted Neuron Gradient (collectively named xCEBRA). We show theoretically that xCEBRA has favorable properties for identifying the Jacobian matrix of the data generating process. Empirically, we demonstrate robust approximation of zero vs. non-zero entries in the ground-truth attribution map on synthetic datasets, and significant improvements across previous attribution methods based on feature ablation, Shapley values, and other gradient-based methods. Our work constitutes a first example of identifiable inference of time-series attribution maps and opens avenues to a better understanding of time-series data, such as for neural dynamics and decision-processes within neural networks.
• Abstract（参考訳）: グラディエントに基づく帰属法は、ディープラーニングモデルの決定を説明することを目的としているが、これまでは識別可能性の保証が欠如している。 本稿では、時系列データに基づいて訓練された正規化コントラスト学習アルゴリズムと、逆ニューロン勾配(xCEBRA)と呼ばれる新しい帰属法を開発することにより、識別可能性保証付き属性マップを生成する方法を提案する。 理論的には、xCEBRAはデータ生成過程のヤコビ行列を特定するのに好ましい性質を持っている。 実験により, 合成データセット上の接地トラス属性マップにおいて, ゼロ対非ゼロ成分のロバストな近似を実証し, 特徴アブレーション, シェープリー値, その他の勾配法に基づく従来の帰属法に対して有意な改善を行った。 我々の研究は、時系列属性マップの同定可能な推論の最初の例を構成し、ニューラルネットワーク内のニューラルネットワークや決定プロセスなどの時系列データをよりよく理解するための道を開く。

関連論文リスト

• Gradient-based Explanations for Deep Learning Survival Models [0.716879432974126]
  本稿では,ニューラルネットワークの生存に適した勾配に基づく説明手法を提案する。 生存条件における時間依存的説明に対する理論的仮定の影響を解析する。 本稿では,時間次元を取り入れた効果的な可視化手法を提案する。
  論文  参考訳（メタデータ） (2025-02-07T14:36:55Z)
• Custom DNN using Reward Modulated Inverted STDP Learning for Temporal Pattern Recognition [0.0]
  時間的スパイク認識は、異常検出、キーワードスポッティング、神経科学など、様々な領域において重要な役割を果たす。 本稿では,スパース事象系列データに基づく時間的スパイクパターン認識のための新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-07-15T18:57:27Z)
• Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
  モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。 この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
  論文  参考訳（メタデータ） (2023-07-06T15:19:53Z)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
  我々はデータ拡張を選択するための便利な勾配法を開発した。 我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
  論文  参考訳（メタデータ） (2022-02-22T02:51:11Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Convolutional Shapelet Transform: A new approach for time series shapelets [1.160208922584163]
  本稿では,ダイレーションの概念を含む時系列シェイプレットの新たな定式化と,畳み込みカーネルに基づくシェープレット抽出手法を提案する。 提案手法は,シェープレットアルゴリズムの最先端性を向上し,畳み込みカーネルによる結果の解釈に利用できることを示す。
  論文  参考訳（メタデータ） (2021-09-28T06:30:42Z)
• Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
  定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。 ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。 本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-05T07:06:19Z)
• Learning Representations using Spectral-Biased Random Walks on Graphs [18.369974607582584]
  このプロセスにおける確率バイアスが、プロセスによって選択されたノードの品質にどの程度影響するかを調査する。 我々は、この近傍を正規化ラプラス行列として表されるノードの近傍部分グラフのスペクトルに基づく確率測度として簡潔に捉えた。 我々は,様々な実世界のデータセット上で,最先端ノード埋め込み技術に対する我々のアプローチを実証的に評価した。
  論文  参考訳（メタデータ） (2020-05-19T20:42:43Z)
• Generalization of Change-Point Detection in Time Series Data Based on Direct Density Ratio Estimation [1.929039244357139]
  既存のアルゴリズムを様々なバイナリ分類と回帰モデルを用いて一般化する方法を示す。 アルゴリズムは、いくつかの合成および実世界のデータセットでテストされる。
  論文  参考訳（メタデータ） (2020-01-17T15:45:38Z)

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。