論文の概要: Explainable and Interpretable Forecasts on Non-Smooth Multivariate Time Series for Responsible Gameplay

• arxiv url: http://arxiv.org/abs/2504.03777v1
• Date: Thu, 03 Apr 2025 11:49:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:14:15.529823
• Title: Explainable and Interpretable Forecasts on Non-Smooth Multivariate Time Series for Responsible Gameplay
• Title（参考訳）: レスポンシブルゲームプレイのための非滑らかな多変量時系列の説明可能・解釈可能予測
• Authors: Hussain Jagirdar, Rukma Talwadker, Aditya Pareek, Pulkit Agrawal, Tridib Mukherjee,
• Abstract要約: Actionable Forecasting Network (AFN) は、3つの排他的目的に関連する相互依存的な課題に対処する。 AFNは、SOM-VAEベースのSOTAネットワークと比較して、プレイヤーデータ上の予測のMSEを25%改善する。
• 参考スコア（独自算出の注目度）: 20.363472927691255
• License:
• Abstract: Multi-variate Time Series (MTS) forecasting has made large strides (with very negligible errors) through recent advancements in neural networks, e.g., Transformers. However, in critical situations like predicting gaming overindulgence that affects one's mental well-being; an accurate forecast without a contributing evidence (explanation) is irrelevant. Hence, it becomes important that the forecasts are Interpretable - intermediate representation of the forecasted trajectory is comprehensible; as well as Explainable - attentive input features and events are accessible for a personalized and timely intervention of players at risk. While the contributing state of the art research on interpretability primarily focuses on temporally-smooth single-process driven time series data, our online multi-player gameplay data demonstrates intractable temporal randomness due to intrinsic orthogonality between player's game outcome and their intent to engage further. We introduce a novel deep Actionable Forecasting Network (AFN), which addresses the inter-dependent challenges associated with three exclusive objectives - 1) forecasting accuracy; 2) smooth comprehensible trajectory and 3) explanations via multi-dimensional input features while tackling the challenges introduced by our non-smooth temporal data, together in one single solution. AFN establishes a \it{new benchmark} via: (i) achieving 25% improvement on the MSE of the forecasts on player data in comparison to the SOM-VAE based SOTA networks; (ii) attributing unfavourable progression of a player's time series to a specific future time step(s), with the premise of eliminating near-future overindulgent player volume by over 18% with player specific actionable inputs feature(s) and (iii) proactively detecting over 23% (100% jump from SOTA) of the to-be overindulgent, players on an average, 4 weeks in advance.
• Abstract（参考訳）: MTS(Multi-variate Time Series)予測は、ニューラルネットワーク(例えばTransformer)の最近の進歩を通じて、(非常に無視可能なエラーを伴う)大きな進歩を遂げた。 しかし、精神的な健康に影響する過度なゲーム予測のような批判的な状況では、寄与する証拠(説明)のない正確な予測は無関係である。 したがって、予測は解釈可能であり、予測された軌道の中間表現は理解可能であり、また、予測可能な入力機能やイベントは、危険にさらされているプレイヤーのパーソナライズされたタイムリーな介入に対してアクセス可能である。 解釈可能性に関する最先端の研究は、主に時間的にスムーズな単一プロセス駆動時系列データに焦点をあてるが、オンラインマルチプレイヤーゲームプレイデータは、プレイヤーのゲーム結果とさらなるエンゲージメントへの内在的直交性による、難解な時間的ランダム性を示す。 我々は,3つの排他的目標に関する相互依存的課題に対処する,新しいディープアクション予測ネットワーク(AFN)を導入する。 2【円滑に理解可能な軌道】 3)多次元入力機能による説明と,非滑らかな時間的データによる課題への対処を1つのソリューションで行う。 AFN は次のように \it{new ベンチマークを確立する。 (i)SOM-VAEベースのSOTAネットワークと比較してプレイヤーデータに対する予測のMSEを25%改善する。 (二 遊技者特定動作可能な入力特徴を伴って、近未来の過発的な遊技者容積を18%以上削減する前提として、遊技者の時系列が特定の将来の時間ステップに不利な進行をもたらすこと。) 3)To-beオーバーインデュジェントの23%以上(SOTAから100%ジャンプ)を,平均4週間前倒しに検出した。

関連論文リスト

• Channel-aware Contrastive Conditional Diffusion for Multivariate Probabilistic Time Series Forecasting [19.383395337330082]
  本稿では,CCDM(Contrastive Conditional Diffusion)モデルを提案する。 提案したCCDMは,現在最先端の拡散予測器と比較して優れた予測能力を示すことができる。
  論文  参考訳（メタデータ） (2024-10-03T03:13:15Z)
• Auto-Encoding Bayesian Inverse Games [36.06617326128679]
  ゲームの性質が不明な逆ゲーム問題を考える。 既存の最大推定手法は、未知のパラメータの点推定のみを提供する。 ベイズ的視点を採り、ゲームパラメータの後方分布を構成する。 この構造化されたVAEは、観測された相互作用のラベルのないデータセットから訓練することができる。
  論文  参考訳（メタデータ） (2024-02-14T02:17:37Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Multiscale Video Pretraining for Long-Term Activity Forecasting [67.06864386274736]
  マルチスケールビデオプレトレーニングは、複数の時間スケールで将来のビデオクリップの文脈化された表現を予測することを学ぶことによって、予測のための堅牢な表現を学習する。 MVPは、ビデオ内のアクションは、通常、短い時間スケールでアトミックアクションが起こり、より複雑なアクションがより長い時間スケールで発生する、マルチスケールな性質を持つ、という私たちの観察に基づいています。 Ego4DとEpic-Kitchens-55/100データセットにわたる包括的な実験では、MVPが最先端のメソッドをかなりのマージンで上回っていることが示されています。
  論文  参考訳（メタデータ） (2023-07-24T14:55:15Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Preserving Dynamic Attention for Long-Term Spatial-Temporal Prediction [24.752083385400343]
  長期予測は非常にエラーに敏感であり、都市的な現象を予測する際にはより重要になる。 本稿では,新しいマルチスペースアテンション(MSA)機構を備えた動的スイッチアテンションネットワーク(DSAN)を提案する。 短期予測と長期予測の両方において,DSANの優位性を示す。
  論文  参考訳（メタデータ） (2020-06-16T00:56:43Z)
• 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。