論文の概要: On the Necessity of Multi-Domain Explanation: An Uncertainty Principle Approach for Deep Time Series Models

• arxiv url: http://arxiv.org/abs/2506.03267v1
• Date: Tue, 03 Jun 2025 18:00:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:13.989297
• Title: On the Necessity of Multi-Domain Explanation: An Uncertainty Principle Approach for Deep Time Series Models
• Title（参考訳）: マルチドメイン記述の必要性について:深部時系列モデルにおける不確実な原理的アプローチ
• Authors: Shahbaz Rezaei, Avishai Halev, Xin Liu,
• Abstract要約: 時系列モデルを説明するための一般的なアプローチは、時間領域における属性を生成することである。 本稿では,XAI手法が時間領域と周波数領域における特徴を根本的に強調する属性を生成できることを示す。 これは、両方のドメインの属性がより包括的な解釈を達成するために提示されるべきであることを示している。
• 参考スコア（独自算出の注目度）: 7.666215650141892
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A prevailing approach to explain time series models is to generate attribution in time domain. A recent development in time series XAI is the concept of explanation spaces, where any model trained in the time domain can be interpreted with any existing XAI method in alternative domains, such as frequency. The prevailing approach is to present XAI attributions either in the time domain or in the domain where the attribution is most sparse. In this paper, we demonstrate that in certain cases, XAI methods can generate attributions that highlight fundamentally different features in the time and frequency domains that are not direct counterparts of one another. This suggests that both domains' attributions should be presented to achieve a more comprehensive interpretation. Thus it shows the necessity of multi-domain explanation. To quantify when such cases arise, we introduce the uncertainty principle (UP), originally developed in quantum mechanics and later studied in harmonic analysis and signal processing, to the XAI literature. This principle establishes a lower bound on how much a signal can be simultaneously localized in both the time and frequency domains. By leveraging this concept, we assess whether attributions in the time and frequency domains violate this bound, indicating that they emphasize distinct features. In other words, UP provides a sufficient condition that the time and frequency domain explanations do not match and, hence, should be both presented to the end user. We validate the effectiveness of this approach across various deep learning models, XAI methods, and a wide range of classification and forecasting datasets. The frequent occurrence of UP violations across various datasets and XAI methods highlights the limitations of existing approaches that focus solely on time-domain explanations. This underscores the need for multi-domain explanations as a new paradigm.
• Abstract（参考訳）: 時系列モデルを説明するための一般的なアプローチは、時間領域における属性を生成することである。 時系列XAIの最近の発展は説明空間の概念であり、時間領域で訓練されたモデルはすべて、周波数などの他の領域で既存のXAIメソッドと解釈できる。 一般的なアプローチは、XAI属性を時間領域または最も少ない領域に提示することである。 本稿では、XAI手法が、時間と周波数領域において、互いに直接的とは無関係な特徴を根本的に強調する属性を生成できることを示す。 これは、両方のドメインの属性がより包括的な解釈を達成するために提示されるべきであることを示している。 したがって、多領域説明の必要性が示される。 このような場合の定量化のために、量子力学で開発された後に調和解析や信号処理で研究された不確実性原理(UP)をXAI文献に導入する。 この原理は、信号が時間領域と周波数領域の両方で同時にローカライズされるかの低い境界を確立する。 この概念を活用することで、時間領域と周波数領域の属性がこの境界に反するか否かを評価し、それらが異なる特徴を強調することを示す。 言い換えれば、UPは時間と周波数領域の説明が一致しない十分な条件を提供するので、どちらもエンドユーザに提示されるべきである。 我々は、様々なディープラーニングモデル、XAI手法、幅広い分類と予測データセットにまたがるこのアプローチの有効性を検証する。 さまざまなデータセットやXAIメソッドにわたるUP違反の頻繁な発生は、時間領域の説明のみに焦点を当てた既存のアプローチの限界を強調している。 このことは、新しいパラダイムとしてマルチドメインの説明の必要性を浮き彫りにしている。

関連論文リスト

• Time series saliency maps: explaining models across multiple domains [3.9018723423306003]
  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。
  論文  参考訳（メタデータ） (2025-05-19T13:31:35Z)
• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• 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)
• FreqRISE: Explaining time series using frequency masking [10.076947813982876]
  時系列データは、多くの重要なドメインにとって基本的に重要である。 正当性マップを得るための現在の方法は、生の入力空間における局所的な情報を仮定する。 本稿では、FreqRISEを提案する。FreqRISEは、マスキングに基づく手法を用いて、周波数領域と時間周波数領域の説明を生成する。
  論文  参考訳（メタデータ） (2024-06-19T14:19:59Z)
• UniTime: A Language-Empowered Unified Model for Cross-Domain Time Series Forecasting [59.11817101030137]
  この研究はドメイン境界を超越する統一モデルパラダイムを提唱する。 効果的なクロスドメインモデルを学ぶことは、以下の課題を提示します。 効果的なドメイン間時系列学習のためのUniTimeを提案する。
  論文  参考訳（メタデータ） (2023-10-15T06:30:22Z)
• Frequency Decomposition to Tap the Potential of Single Domain for Generalization [10.555462823983122]
  ドメインの一般化は、汎用人工知能の必須の特徴である。 本稿では、単一ソースドメイントレーニングサンプルにドメイン不変性を含めることができると判定した。 複数のドメインから学習する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-04-14T17:15:47Z)
• Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
  本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。 我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。 ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
  論文  参考訳（メタデータ） (2021-10-11T13:33:18Z)
• timeXplain -- A Framework for Explaining the Predictions of Time Series Classifiers [3.6433472230928428]
  本稿では,時間領域,周波数領域,時系列統計に関する新しいドメインマッピングを提案する。 我々は彼らの説明力と限界を分析する。 我々は、TimeXplainといくつかのモデル固有の説明手法を実験的に比較するために、新しい評価基準を用いる。
  論文  参考訳（メタデータ） (2020-07-15T10:32:43Z)

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。