論文の概要: Time series saliency maps: explaining models across multiple domains

• arxiv url: http://arxiv.org/abs/2505.13100v1
• Date: Mon, 19 May 2025 13:31:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.617062
• Title: Time series saliency maps: explaining models across multiple domains
• Title（参考訳）: 時系列サリエンシマップ:複数の領域にまたがるモデルを説明する
• Authors: Christodoulos Kechris, Jonathan Dan, David Atienza,
• Abstract要約: 本稿では,統合勾配の一般化であるクロスドメイン統合勾配について紹介する。 我々の方法は、時間領域の可逆かつ微分可能な変換として定式化できる任意の領域における特徴属性を可能にする。 これらの結果は、時系列モデルにおいて意味論的に意味のある洞察を提供するクロスドメイン統合勾配の能力を示す。
• 参考スコア（独自算出の注目度）: 3.9018723423306003
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional saliency map methods, popularized in computer vision, highlight individual points (pixels) of the input that contribute the most to the model's output. However, in time-series they offer limited insights as semantically meaningful features are often found in other domains. We introduce Cross-domain Integrated Gradients, a generalization of Integrated Gradients. Our method enables feature attributions on any domain that can be formulated as an invertible, differentiable transformation of the time domain. Crucially, our derivation extends the original Integrated Gradients into the complex domain, enabling frequency-based attributions. We provide the necessary theoretical guarantees, namely, path independence and completeness. Our approach reveals interpretable, problem-specific attributions that time-domain methods cannot capture, on three real-world tasks: wearable sensor heart rate extraction, electroencephalography-based seizure detection, and zero-shot time-series forecasting. We release an open-source Tensorflow/PyTorch library to enable plug-and-play cross-domain explainability for time-series models. These results demonstrate the ability of cross-domain integrated gradients to provide semantically meaningful insights in time-series models that are impossible with traditional time-domain saliency.
• Abstract（参考訳）: コンピュータビジョンで普及した従来のサリエンシマップ手法は、モデルの出力に最も寄与する入力の個々の点(ピクセル)を強調する。 しかし、時系列では、意味的に意味のある特徴が他のドメインでしばしば見られるため、限られた洞察を提供する。 本稿では,統合勾配の一般化であるクロスドメイン統合勾配について紹介する。 我々の方法は、時間領域の可逆かつ微分可能な変換として定式化できる任意の領域における特徴属性を可能にする。 重要なことに、我々の導出は、元の積分勾配を複素領域に拡張し、周波数ベースの帰属を可能にする。 私たちは、パスの独立性と完全性という、必要な理論的保証を提供します。 本手法は,ウェアラブルセンサの心拍数抽出,脳波による発作検出,ゼロショット時系列予測という3つの実世界の課題において,時間領域法が捉えられない解釈可能な,問題固有の属性を明らかにする。 我々はオープンソースのTensorflow/PyTorchライブラリをリリースした。 これらの結果は、伝統的な時間領域の正当性では不可能な時系列モデルにおいて、ドメイン間統合勾配が意味論的に意味のある洞察を提供する能力を示す。

関連論文リスト

• Learning Latent Spaces for Domain Generalization in Time Series Forecasting [60.29403194508811]
  時系列予測は多くの実世界のアプリケーションにおいて不可欠であるが、見つからない関連ドメインをうまく一般化するモデルの開発はまだ未定である。 本稿では,ドメイン間の時間的依存関係を規定する潜在因子をマイニングすることで時系列予測におけるドメイン一般化の枠組みを提案する。 提案手法では,新しい条件付き$beta$-Variational Autoencoder (VAE) を用いて,時系列データをトレンド周期および季節成分に分解する。
  論文  参考訳（メタデータ） (2024-12-15T12:41:53Z)
• Towards Generalisable Time Series Understanding Across Domains [10.350643783811174]
  時系列の不均一性を扱うために特別に設計された新しい事前学習パラダイムを導入する。 本稿では、学習可能なドメインシグネチャ、二重マスキング戦略、正規化相互相関損失を持つトークンサを提案する。 私たちのコードと事前訓練されたウェイトはhttps://www.oetu.com/oetu/otis.comで公開されています。
  論文  参考訳（メタデータ） (2024-10-09T17:09:30Z)
• Memory-Efficient Prompt Tuning for Incremental Histopathology Classification [69.46798702300042]
  本稿では,経済的なメモリコストのモデル一般化ポテンシャルを育成するための,メモリ効率の良いプロンプトチューニングフレームワークを提案する。 乳癌転移分類と上皮間質組織分類の2つの病理組織学的タスクにより,我々の枠組みを広く評価した。
  論文  参考訳（メタデータ） (2024-01-22T03:24:45Z)
• Long-Term Invariant Local Features via Implicit Cross-Domain Correspondences [79.21515035128832]
  我々は、様々なドメイン変更の下で、現在の最先端特徴抽出ネットワークの性能を徹底的に分析する。 我々は、新しいデータ中心方式、Implicit Cross-Domain Correspondences (iCDC)を提案する。 iCDCは複数のニューラル・ラジアンス・フィールドで同じ環境を表し、それぞれが個々の視覚領域の下にシーンを適合させる。
  論文  参考訳（メタデータ） (2023-11-06T18:53:01Z)
• Self-Supervised Temporal Analysis of Spatiotemporal Data [2.2720298829059966]
  地理空間活動の時間的パターンと土地利用のタイプとの間には相関関係がある。 移動活動時系列に基づいて景観を階層化する,新たな自己教師型手法を提案する。 実験により、時間埋め込みは時系列データの意味論的に意味のある表現であり、異なるタスクにまたがって効果的であることが示されている。
  論文  参考訳（メタデータ） (2023-04-25T20:34:38Z)
• Domain-incremental Cardiac Image Segmentation with Style-oriented Replay and Domain-sensitive Feature Whitening [67.6394526631557]
  M&Mは、各受信データセットから漸進的に学習し、時間が経つにつれて改善された機能で漸進的に更新する必要がある。 医学的シナリオでは、データのプライバシのため、過去のデータへのアクセスや保存が一般的に許可されないため、これは特に困難である。 本稿では,まず過去のドメイン入力を復元し,モデル最適化中に定期的に再生する新しいドメイン増分学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-09T13:07:36Z)
• Towards Spatio-Temporal Aware Traffic Time Series Forecasting--Full Version [37.09531298150374]
  同じ時系列パターンの複雑な時系列パターンが時間によって異なる可能性があるため、トラフィックシリーズの予測は困難である。 このような時間的モデルは、時間的位置と時間的期間に関わらず、共有パラメータ空間を使用し、時間的相関は場所間で類似しており、常に時間にわたって保持するわけではないと仮定する。 サブテンポラリモデルにICDを意識したモデルをエンコードするフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-29T16:44:56Z)
• Batch Normalization Embeddings for Deep Domain Generalization [50.51405390150066]
  ドメインの一般化は、異なるドメインと見えないドメインで堅牢に実行されるように機械学習モデルをトレーニングすることを目的としている。 一般的な領域一般化ベンチマークにおいて,最先端技術よりも分類精度が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:02:57Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。