論文の概要: KnowIt: Deep Time Series Modeling and Interpretation

• arxiv url: http://arxiv.org/abs/2507.06009v1
• Date: Tue, 08 Jul 2025 14:14:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:38.153516
• Title: KnowIt: Deep Time Series Modeling and Interpretation
• Title（参考訳）: KnowIt: 深層時系列モデリングと解釈
• Authors: M. W. Theunissen, R. Rabe, M. H. Davel,
• Abstract要約: KnowItは、ディープ時系列モデルを構築し、それらを解釈するためのPythonツールキットである。 適切に定義されたインターフェースを通じて、データセット、ディープニューラルネットワークアーキテクチャ、解釈可能性技術の定義を分離する。 KnowItは、ユーザが自身の複雑な時系列データに基づいて知識発見を行う環境を提供することを目的としている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: KnowIt (Knowledge discovery in time series data) is a flexible framework for building deep time series models and interpreting them. It is implemented as a Python toolkit, with source code and documentation available from https://must-deep-learning.github.io/KnowIt. It imposes minimal assumptions about task specifications and decouples the definition of dataset, deep neural network architecture, and interpretability technique through well defined interfaces. This ensures the ease of importing new datasets, custom architectures, and the definition of different interpretability paradigms while maintaining on-the-fly modeling and interpretation of different aspects of a user's own time series data. KnowIt aims to provide an environment where users can perform knowledge discovery on their own complex time series data through building powerful deep learning models and explaining their behavior. With ongoing development, collaboration and application our goal is to make this a platform to progress this underexplored field and produce a trusted tool for deep time series modeling.
• Abstract（参考訳）: KnowIt (Knowledge discovery in time series data) は、深層時系列モデルを構築し、それらを解釈するための柔軟なフレームワークである。 Pythonツールキットとして実装されており、ソースコードとドキュメントはhttps://must-deep-learning.github.io/KnowItから入手できる。 タスク仕様に関する最小限の仮定を課し、適切に定義されたインターフェースを通じてデータセット、ディープニューラルネットワークアーキテクチャ、解釈可能性技術の定義を分離する。 これにより、ユーザ自身の時系列データのさまざまな側面のオンザフライモデリングと解釈を維持しながら、新しいデータセット、カスタムアーキテクチャ、および異なる解釈可能性パラダイムの定義を簡単にインポートできる。 KnowItは、強力なディープラーニングモデルを構築し、その振る舞いを説明することによって、ユーザが自身の複雑な時系列データ上で知識発見を行うことのできる環境を提供することを目的としている。 開発中の開発、コラボレーション、アプリケーションでは、この未調査の分野を前進させ、深層時系列モデリングのための信頼できるツールを作ることを目標としています。

関連論文リスト

• Anymate: A Dataset and Baselines for Learning 3D Object Rigging [18.973312365787137]
  本稿では,230Kの3Dアセットの大規模データセットと,専門家によるリギングとスキン情報の組み合わせについて述べる。 本稿では,関節,接続性,およびスキンウェイト予測のための3つの逐次モジュールを用いた学習ベースの自動リギングフレームワークを提案する。 我々のモデルは既存の手法を著しく上回り、自動化リギングとスキンニングにおける将来の手法を比較する基盤を提供する。
  論文  参考訳（メタデータ） (2025-05-09T17:59:33Z)
• Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
  時系列データは、現実世界のシナリオにおいて非常に重要である。 近年、時系列コミュニティで顕著なブレークスルーが見られた。 多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
  論文  参考訳（メタデータ） (2024-07-18T08:31:55Z)
• TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
  時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。 本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
  論文  参考訳（メタデータ） (2023-05-19T10:11:21Z)
• DeepVATS: Deep Visual Analytics for Time Series [7.822594828788055]
  私たちは、Deep Visual Analyticsの分野を時系列データにもたらすオープンソースのツールであるDeepVATSを紹介します。 DeepVATSは、自己監督的な方法で、時系列のパッチを再構築するマスク付き時系列自動エンコーダを訓練する。 本稿では,DeepVATSの有効性を検証する結果について報告する。
  論文  参考訳（メタデータ） (2023-02-08T03:26:50Z)
• Lifelong Infinite Mixture Model Based on Knowledge-Driven Dirichlet Process [15.350366047108103]
  生涯学習における最近の研究成果は、タスクの増加に対応するために、モデルの混合を成長させることが提案されている。 本研究では,データの確率的表現間の差分距離に基づいてリスク境界を導出することにより,生涯学習モデルの理論的解析を行う。 理論解析に着想を得て, 生涯無限混合モデル (LIMix) と呼ばれる新しい生涯学習手法を導入する。
  論文  参考訳（メタデータ） (2021-08-25T21:06:20Z)
• REGRAD: A Large-Scale Relational Grasp Dataset for Safe and Object-Specific Robotic Grasping in Clutter [52.117388513480435]
  本稿では,オブジェクト間の関係のモデル化を継続するregradという新しいデータセットを提案する。 データセットは2D画像と3Dポイントクラウドの両方で収集されます。 ユーザは、好きなだけ多くのデータを生成するために、自由に独自のオブジェクトモデルをインポートできる。
  論文  参考訳（メタデータ） (2021-04-29T05:31:21Z)
• Discovering long term dependencies in noisy time series data using deep learning [0.0]
  時系列モデリングは、予測保守、品質管理、最適化といったタスクの解決に不可欠である。 ディープラーニングはそのような問題を解決するために広く使われている。 本稿では,ディープニューラルネットワークを用いた時系列データにおける時間的依存関係のキャプチャと説明のためのフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-11-15T15:10:57Z)
• 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)
• A System for Real-Time Interactive Analysis of Deep Learning Training [66.06880335222529]
  現在利用可能なシステムは、トレーニングプロセスが始まる前に指定しなければならないログデータのみを監視することに限定されている。 本稿では,リアルタイム情報を生成するライブプロセス上で対話型クエリを実行可能にするシステムを提案する。
  論文  参考訳（メタデータ） (2020-01-05T11:33:31Z)

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。