論文の概要: Evaluating Simplification Algorithms for Interpretability of Time Series Classification

• arxiv url: http://arxiv.org/abs/2505.08846v1
• Date: Tue, 13 May 2025 15:00:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.258404
• Title: Evaluating Simplification Algorithms for Interpretability of Time Series Classification
• Title（参考訳）: 時系列分類の解釈可能性のための簡易化アルゴリズムの評価
• Authors: Felix Marti-Perez, Brigt Håvardstun, Cèsar Ferri, Carlos Monserrat, Jan Arne Telle,
• Abstract要約: 本稿では,TSCの解釈可能性の文脈において,簡略化された時系列の使用を評価するためのメトリクスを紹介する。 これらのメトリクスを用いて、4つの異なる単純化アルゴリズム、複数のTSCアルゴリズム、および異なる特性のデータセットを評価する。 以上の結果から,TSCの解釈可能性の簡易化は,季節,非定常,低エントロピーの時系列よりもはるかに優れていることが示唆された。
• 参考スコア（独自算出の注目度）: 3.565151496245487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we introduce metrics to evaluate the use of simplified time series in the context of interpretability of a TSC - a Time Series Classifier. Such simplifications are important because time series data, in contrast to text and image data, are not intuitively understandable to humans. These metrics are related to the complexity of the simplifications - how many segments they contain - and to their loyalty - how likely they are to maintain the classification of the original time series. We employ these metrics to evaluate four distinct simplification algorithms, across several TSC algorithms and across datasets of varying characteristics, from seasonal or stationary to short or long. Our findings suggest that using simplifications for interpretability of TSC is much better than using the original time series, particularly when the time series are seasonal, non-stationary and/or with low entropy.
• Abstract（参考訳）: 本稿では,TSCの解釈可能性の文脈において,簡略化された時系列の使用を評価するためのメトリクスを紹介する。 テキストや画像データとは対照的に、時系列データは人間にとって直感的に理解できないため、このような単純化は重要である。 これらのメトリクスは、単純化の複雑さ - どれだけのセグメントを含むか - と、その忠誠心 - と、オリジナルの時系列の分類を維持する確率に関係しています。 これらの指標を用いて、季節的・定常的・短距離的・短距離的・様々な特徴のデータセットを対象とし、4つの異なる単純化アルゴリズムを評価する。 以上の結果から,TSCの解釈可能性の簡易化は,季節,非定常,低エントロピーの時系列よりもはるかに優れていることが示唆された。

関連論文リスト

• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• Language in the Flow of Time: Time-Series-Paired Texts Weaved into a Unified Temporal Narrative [65.84249211767921]
  テキスト・アズ・タイム・シリーズ(英語版) (TaTS) は時系列の補助変数であると考えている。 TaTSは、既存の数値のみの時系列モデルにプラグインすることができ、ペア化されたテキストで時系列データを効率的に処理することができる。
  論文  参考訳（メタデータ） (2025-02-13T03:43:27Z)
• MuSiCNet: A Gradual Coarse-to-Fine Framework for Irregularly Sampled Multivariate Time Series Analysis [45.34420094525063]
  我々は、不規則性は本質的にある意味で相対的であるという新しい視点を導入する。 MuSiCNetは、3つのメインストリームタスクでSOTAと一貫して競合するISMTS分析フレームワークである。
  論文  参考訳（メタデータ） (2024-12-02T02:50:01Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• Time-to-Pattern: Information-Theoretic Unsupervised Learning for Scalable Time Series Summarization [7.294418916091012]
  時系列要約におけるT2P(Time-to-Pattern)という手法を提案する。 T2Pは、最小記述長の概念に従って、最も有能な情報をエンコードする多様なパターンの集合を見つけることを目的としている。 人工的および実世界の実験により、T2Pはノイズや複雑な環境においても、情報的パターンを発見することが判明した。
  論文  参考訳（メタデータ） (2023-08-26T01:15:32Z)
• Self-Supervised Learning for Time Series Analysis: Taxonomy, Progress, and Prospects [84.6945070729684]
  自己教師付き学習(SSL)は、最近、様々な時系列タスクで印象的なパフォーマンスを達成した。 この記事では、時系列データに対する最先端のSSLメソッドについてレビューする。
  論文  参考訳（メタデータ） (2023-06-16T18:23:10Z)
• COSTI: a New Classifier for Sequences of Temporal Intervals [0.0]
  時間間隔のシーケンスを直接操作する新しい分類法を開発した。 提案手法は高い精度を保ち、変換データの操作に接続する欠点を回避しつつ、より良い性能が得られる。
  論文  参考訳（メタデータ） (2022-04-28T12:55:06Z)
• The FreshPRINCE: A Simple Transformation Based Pipeline Time Series Classifier [0.0]
  我々は、最先端と見なされるアルゴリズムの複雑さが本当に必要かどうかを考察する。 最初に提案されたアプローチは、要約統計やその他の時系列特徴抽出アプローチの単純なパイプラインである。 我々はこれらの手法をUCC時系列データセットアーカイブ上でテストし、TSC文献がこれらの手法の有効性を見落としているかどうかを確認する。
  論文  参考訳（メタデータ） (2022-01-28T11:23:58Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)

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。