論文の概要: Failure Modes of Time Series Interpretability Algorithms for Critical Care Applications and Potential Solutions

• arxiv url: http://arxiv.org/abs/2506.19035v1
• Date: Mon, 23 Jun 2025 18:45:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.34611
• Title: Failure Modes of Time Series Interpretability Algorithms for Critical Care Applications and Potential Solutions
• Title（参考訳）: 臨界ケア応用のための時系列解釈可能性アルゴリズムの故障モードと可能性解
• Authors: Shashank Yadav, Vignesh Subbian,
• Abstract要約: 解釈可能性(interpretability)は、ディープラーニングモデルをクリティカルケアで整列し、デプロイする上で重要な役割を担います。 グラディエント、Occlusion、Permutationベースのメソッドは、時間によって異なるターゲット依存性と時間的スムーズさに悩まされることが多い。 この作業は、これらの障害モードを体系的に分析し、学習可能なマスクベースの解釈可能性フレームワークをサポートする。
• 参考スコア（独自算出の注目度）: 1.277162574025857
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interpretability plays a vital role in aligning and deploying deep learning models in critical care, especially in constantly evolving conditions that influence patient survival. However, common interpretability algorithms face unique challenges when applied to dynamic prediction tasks, where patient trajectories evolve over time. Gradient, Occlusion, and Permutation-based methods often struggle with time-varying target dependency and temporal smoothness. This work systematically analyzes these failure modes and supports learnable mask-based interpretability frameworks as alternatives, which can incorporate temporal continuity and label consistency constraints to learn feature importance over time. Here, we propose that learnable mask-based approaches for dynamic timeseries prediction problems provide more reliable and consistent interpretations for applications in critical care and similar domains.
• Abstract（参考訳）: 解釈可能性(interpretability)は、特に患者の生存に影響を及ぼす絶え間なく変化する状況において、重要なケアにおけるディープラーニングモデルの整合と展開において重要な役割を担っている。 しかし、一般的な解釈可能性アルゴリズムは、患者軌道が時間とともに進化する動的な予測タスクに適用する際、ユニークな課題に直面している。 グラディエント、Occlusion、Permutationベースのメソッドは、時間によって異なるターゲット依存性と時間的スムーズさに悩まされることが多い。 この研究は、これらの障害モードを体系的に分析し、学習可能なマスクベースの解釈可能性フレームワークを代替としてサポートする。 そこで本研究では,動的タイミング予測問題に対する学習可能なマスクベースのアプローチにより,クリティカルケアや類似分野のアプリケーションに対して,より信頼性が高く一貫した解釈が可能になることを提案する。

関連論文リスト

• Robust Multi-Modal Forecasting: Integrating Static and Dynamic Features [0.0]
  時系列予測は様々な応用、特に医療において重要な役割を担っている。 これらのタスクに責任を負うモデルの透明性と説明可能性を保証することは、重要な設定で採用するために不可欠である。 最近の研究は、予測時系列の傾向と特性を理解することに焦点を当てた、双方向透明性に対するトップダウンアプローチを探求している。
  論文  参考訳（メタデータ） (2025-05-21T04:12:12Z)
• An Adversarial Learning Approach to Irregular Time-Series Forecasting [0.032771631221674334]
  本稿では,不規則な時系列のニュアンスをよりよく捉えるために,逆成分を深く分析した逆学習フレームワークを提案する。 本研究は、モデルと評価指標を改善するための実践的な洞察を提供し、不規則な時系列予測のドミアンにおける逆学習の適用の先駆者となる。
  論文  参考訳（メタデータ） (2024-11-28T19:28:07Z)
• On the Regularization of Learnable Embeddings for Time Series Forecasting [18.069747511100132]
  時系列処理のための局所学習可能な埋め込みの学習を規則化する手法について検討する。 本研究では, 局所的・大域的パラメータの組込みによる共適応を防止する手法が, この文脈において特に有効であることを示す。
  論文  参考訳（メタデータ） (2024-10-18T17:30:20Z)
• EMIT- Event-Based Masked Auto Encoding for Irregular Time Series [9.903108445512576]
  データポイントが不均一な間隔で記録される不規則な時系列は、医療設定で一般的である。 この変動は、患者の健康の重大な変動を反映し、情報的臨床的意思決定に不可欠である。 不規則時系列に関する既存の自己教師型学習研究は、しばしば予測のような一般的な前提課題に依存している。 本稿では,不規則な時系列に対するイベントベースのマスキングである,新しい事前学習フレームワーク EMIT を提案する。
  論文  参考訳（メタデータ） (2024-09-25T02:05:32Z)
• Finding the DeepDream for Time Series: Activation Maximization for Univariate Time Series [10.388704631887496]
  逐次情報解析に最大活性化を適用する手法であるSequence Dreamingを紹介する。 モデル決定プロセスに最も影響を及ぼす時間的ダイナミクスとパターンを可視化する。
  論文  参考訳（メタデータ） (2024-08-20T08:09:44Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Stateful Offline Contextual Policy Evaluation and Learning [88.9134799076718]
  我々は、シーケンシャルデータから、政治以外の評価と学習について研究する。 動的パーソナライズされた価格設定などの問題の因果構造を形式化する。 本報告では,本クラスにおけるアウト・オブ・サンプル・ポリシーの性能改善について述べる。
  論文  参考訳（メタデータ） (2021-10-19T16:15:56Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。