論文の概要: CRITS: Convolutional Rectifier for Interpretable Time Series Classification

• arxiv url: http://arxiv.org/abs/2506.12042v1
• Date: Sat, 24 May 2025 08:34:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-22 23:32:14.605291
• Title: CRITS: Convolutional Rectifier for Interpretable Time Series Classification
• Title（参考訳）: CRITS: 解釈可能な時系列分類のための畳み込み整流器
• Authors: Alejandro Kuratomi, Zed Lee, Guilherme Dinis Chaliane Junior, Tony Lindgren, Diego García Pérez,
• Abstract要約: 本稿では、時系列分類のための解釈可能なモデルとして、解釈可能な時系列分類のための畳み込み整流器(CRITS)を提案する。 我々は,一連のデータセット上でCRITSを評価し,その分類性能とその説明的アライメント,感度,理解可能性について検討した。
• 参考スコア（独自算出の注目度）: 41.18535141696404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Several interpretability methods for convolutional network-based classifiers exist. Most of these methods focus on extracting saliency maps for a given sample, providing a local explanation that highlights the main regions for the classification. However, some of these methods lack detailed explanations in the input space due to upscaling issues or may require random perturbations to extract the explanations. We propose Convolutional Rectifier for Interpretable Time Series Classification, or CRITS, as an interpretable model for time series classification that is designed to intrinsically extract local explanations. The proposed method uses a layer of convolutional kernels, a max-pooling layer and a fully-connected rectifier network (a network with only rectified linear unit activations). The rectified linear unit activation allows the extraction of the feature weights for the given sample, eliminating the need to calculate gradients, use random perturbations and the upscale of the saliency maps to the initial input space. We evaluate CRITS on a set of datasets, and study its classification performance and its explanation alignment, sensitivity and understandability.
• Abstract（参考訳）: 畳み込みネットワークに基づく分類器の解釈可能性法はいくつか存在する。 これらの手法の多くは、与えられたサンプルに対する塩分濃度マップの抽出に重点を置いており、その分類の主要な領域をハイライトする局所的な説明を提供する。 しかし、これらの手法の中には、アップスケーリング問題による入力空間の詳細な説明が欠けているものや、説明を抽出するためにランダムな摂動を必要とするものもある。 本稿では,局所的な説明を内在的に抽出するように設計された時系列分類の解釈可能なモデルとして,解釈可能な時系列分類のための畳み込み整流器を提案する。 提案手法では, 畳み込みカーネル層, 最大プール層, 完全接続整流回路網(整流線形単位活性化のみのネットワーク)を用いる。 修正された線形単位活性化により、与えられたサンプルの特徴量の抽出が可能となり、勾配を計算する必要がなくなり、ランダムな摂動と初期入力空間への塩分マップのスケールアップが不要になる。 我々は,一連のデータセット上でCRITSを評価し,その分類性能とその説明的アライメント,感度,理解可能性について検討した。

関連論文リスト

• FreSca: Scaling in Frequency Space Enhances Diffusion Models [55.75504192166779]
  本稿では,潜時拡散モデルにおける周波数制御について検討する。 本稿では,低周波成分と高周波成分にノイズ差を分解する新しいフレームワークFreScaを紹介する。 FreScaはモデルの再トレーニングやアーキテクチャの変更なしに動作し、モデルとタスクに依存しない制御を提供する。
  論文  参考訳（メタデータ） (2025-04-02T22:03:11Z)
• Studying Classifier(-Free) Guidance From a Classifier-Centric Perspective [100.54185280153753]
  分類器なし誘導と分類器なし誘導の両方が,微分拡散軌道を決定境界から遠ざけることによって条件付き生成を実現することがわかった。 本研究では,フローマッチングをベースとした汎用的な後処理ステップを提案し,事前学習した復調拡散モデルに対する学習分布と実データ分布とのギャップを小さくする。
  論文  参考訳（メタデータ） (2025-03-13T17:59:59Z)
• Adaptive Random Feature Regularization on Fine-tuning Deep Neural Networks [12.992733141210158]
  適応ランダム特徴正規化(AdaRand)と呼ばれる単純な手法を提案する。 AdaRandは、訓練モデルの特徴抽出器が、補助的なソース情報や適切な計算コストを伴わずに、下流の分類タスクのための特徴ベクトルの分布を適応的に変更するのに役立つ。 実験の結果、AdaRandは他の微調整正規化よりも優れており、補助的な情報源情報と重い計算コストが要求されることがわかった。
  論文  参考訳（メタデータ） (2024-03-15T08:26:59Z)
• Adaptive Graph Convolutional Subspace Clustering [10.766537212211217]
  スペクトル型サブスペースクラスタリングアルゴリズムは多くのサブスペースクラスタリングアプリケーションにおいて優れた性能を示している。 本稿では,グラフ畳み込みネットワークにヒントを得たグラフ畳み込み手法を用いて特徴抽出法と係数行列制約を同時に開発する。 AGCSCを用いることで、元のデータサンプルの集合的特徴表現がサブスペースクラスタリングに適していると主張する。
  論文  参考訳（メタデータ） (2023-05-05T10:27:23Z)
• Recurrent Spectral Network (RSN): shaping the basin of attraction of a discrete map to reach automated classification [4.724825031148412]
  自動分類のための新しい戦略が導入された。これは、完全に訓練された動的システムを利用して、アイテムを異なる引き付け者に向けて操る。 非線型項はトランジェントに作用し、初期条件として供給されたデータを離散力学系に切り離すことができる。 我々の新しい分類手法であるRecurrent Spectral Network (RSN) は、画像処理訓練のための標準データセットと同様に、図形的な目的のために作成された単純なテストベッドモデルに挑戦することに成功した。
  論文  参考訳（メタデータ） (2022-02-09T14:59:06Z)
• Motor Imagery Classification based on CNN-GRU Network with Spatio-Temporal Feature Representation [22.488536453952964]
  近年、脳波(EEG)信号に様々なディープニューラルネットワークが応用されている。 脳波は非侵襲的に取得できる脳信号であり、時間分解能が高い。 脳波信号は高次元の分類特徴空間を持つため,性能向上には適切な特徴抽出法が必要である。
  論文  参考訳（メタデータ） (2021-07-15T01:05:38Z)
• Coverage probability in wireless networks with determinantal scheduling [1.4502611532302039]
  ネットワーク送信をランダムにスケジューリングするアルゴリズムを新たに提案する。 アロハと同様に、それらはカバー確率と送信の試みのエレガントな分析の対象であることを示す。
  論文  参考訳（メタデータ） (2020-06-09T04:05:50Z)
• Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
  受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。 本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2020-05-10T06:11:13Z)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)
• Embedding Propagation: Smoother Manifold for Few-Shot Classification [131.81692677836202]
  本稿では, 組込み伝搬を非教師なし非パラメトリック正規化器として, 数ショット分類における多様体平滑化に用いることを提案する。 埋め込み伝播がより滑らかな埋め込み多様体を生み出すことを実証的に示す。 複数の半教師付き学習シナリオにおいて,埋め込み伝搬によりモデルの精度が最大16%向上することを示す。
  論文  参考訳（メタデータ） (2020-03-09T13:51:09Z)

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。