Fugu-MT 論文翻訳(概要): Towards Explainable Sequential Learning

論文の概要: Towards Explainable Sequential Learning

arxiv url: http://arxiv.org/abs/2505.23624v1
Date: Thu, 29 May 2025 16:30:59 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-30 18:14:07.990775
Title: Towards Explainable Sequential Learning
Title（参考訳）: 説明可能なシーケンス学習を目指して
Authors: Giacomo Bergami, Emma Packer, Kirsty Scott, Silvia Del Din,
Abstract要約: 本稿では,ハイブリッドな時間データ処理パイプラインであるDataFul Explainable MultivariatE coRrelatIonal Temporal Artificial Intelligence (EMeriTAte+DF)を提案する。
参考スコア（独自算出の注目度）: 0.2318095974878009
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This paper offers a hybrid explainable temporal data processing pipeline, DataFul Explainable MultivariatE coRrelatIonal Temporal Artificial inTElligence (EMeriTAte+DF), bridging numerical-driven temporal data classification with an event-based one through verified artificial intelligence principles, enabling human-explainable results. This was possible through a preliminary a posteriori explainable phase describing the numerical input data in terms of concurrent constituents with numerical payloads. This further required extending the event-based literature to design specification mining algorithms supporting concurrent constituents. Our previous and current solutions outperform state-of-the-art solutions for multivariate time series classifications, thus showcasing the effectiveness of the proposed methodology.
Abstract（参考訳）: 本稿では,複合的な説明可能な時間データ処理パイプラインであるDataFul Explainable MultivariatE coRrelatIonal Temporal Artificial Intelligence (EMeriTAte+DF)を提供する。これは、数値積の同時成分の観点から数値入力データを記述した後続説明可能な予備フェーズによって可能となった。これにより、イベントベースの文献をコンカレントコンポーネントをサポートする仕様マイニングアルゴリズムの設計に拡張する必要が生じた。従来および現在のソリューションは、多変量時系列分類における最先端のソリューションよりも優れており、提案手法の有効性を示している。

関連論文リスト

Interactive Counterfactual Generation for Univariate Time Series [7.331969743532515]
私たちのアプローチは、ディープラーニングモデルの意思決定プロセスの透明性と理解を高めることを目的としています。提案手法は,提案するデータポイントとユーザインタラクションを抽象化することにより,直感的な事実説明の生成を容易にする。本手法をECG5000ベンチマークデータセットを用いて検証し,解釈可能性と時系列分類のユーザ理解の大幅な向上を実証した。
論文参考訳（メタデータ） (2024-08-20T08:19:55Z)
Enhancing Algorithm Performance Understanding through tsMorph: Generating Semi-Synthetic Time Series for Robust Forecasting Evaluation [0.393259574660092]
本稿では,データセットのモーフィングによる半合成時系列生成ツールであるtsMorphについて述べる。本稿では,Long Short-Term Memory NetworkとDeepAR予測アルゴリズムの予測性能を評価することにより,tsMorphの利点を示す。
論文参考訳（メタデータ） (2023-12-03T10:40:07Z)
Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
論文参考訳（メタデータ） (2023-12-03T05:52:30Z)
State Sequences Prediction via Fourier Transform for Representation Learning [111.82376793413746]
本研究では,表現表現を効率よく学習する新しい方法である,フーリエ変換(SPF)による状態列予測を提案する。本研究では,状態系列における構造情報の存在を理論的に解析する。実験により,提案手法はサンプル効率と性能の両面で,最先端のアルゴリズムよりも優れていることが示された。
論文参考訳（メタデータ） (2023-10-24T14:47:02Z)
Boosting Event Extraction with Denoised Structure-to-Text Augmentation [52.21703002404442]
イベント抽出は、テキストから事前に定義されたイベントトリガと引数を認識することを目的としている。最近のデータ拡張手法は文法的誤りの問題を無視することが多い。本稿では,イベント抽出DAEEのための記述構造からテキストへの拡張フレームワークを提案する。
論文参考訳（メタデータ） (2023-05-16T16:52:07Z)
Leachable Component Clustering [10.377914682543903]
本研究では,非完全データのクラスタリングに対する新たなアプローチとして,リーチ可能なコンポーネントクラスタリングを提案する。提案手法はベイズアライメントを用いてデータ計算を処理し,理論上失われたパターンを収集する。いくつかの人工不完全データセットの実験により、提案手法は、他の最先端アルゴリズムと比較して優れた性能を示すことができることを示した。
論文参考訳（メタデータ） (2022-08-28T13:13:17Z)
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)
Towards Synthetic Multivariate Time Series Generation for Flare Forecasting [5.098461305284216]
データ駆動・レアイベント予測アルゴリズムのトレーニングにおける制限要因の1つは、関心のあるイベントの不足である。本研究では,データインフォームド・オーバーサンプリングを行う手段として,条件付き生成逆数ネットワーク(CGAN)の有用性を検討する。
論文参考訳（メタデータ） (2021-05-16T22:23:23Z)
Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文参考訳（メタデータ） (2020-12-04T19:21:37Z)
Representation Learning for Sequence Data with Deep Autoencoding Predictive Components [96.42805872177067]
本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
論文参考訳（メタデータ） (2020-10-07T03:34:01Z)

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。