論文の概要: PAX-TS: Model-agnostic multi-granular explanations for time series forecasting via localized perturbations
- arxiv url: http://arxiv.org/abs/2508.18982v1
- Date: Tue, 26 Aug 2025 12:31:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-27 17:42:38.836936
- Title: PAX-TS: Model-agnostic multi-granular explanations for time series forecasting via localized perturbations
- Title（参考訳）: PAX-TS:局所摂動による時系列予測のためのモデル非依存多粒性説明
- Authors: Tim Kreuzer, Jelena Zdravkovic, Panagiotis Papapetrou,
- Abstract要約: PAX-TSは時系列予測モデルとその予測を説明するモデルに依存しないポストホックアルゴリズムである。
提案手法は,局所的な入力摂動に基づいて,複数の粒界的な説明を行う。
異なるデータセットやアルゴリズムで繰り返し発生するパターンの6つのクラスを特定します。
- 参考スコア（独自算出の注目度）: 1.1247041770660733
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Time series forecasting has seen considerable improvement during the last years, with transformer models and large language models driving advancements of the state of the art. Modern forecasting models are generally opaque and do not provide explanations for their forecasts, while well-known post-hoc explainability methods like LIME are not suitable for the forecasting context. We propose PAX-TS, a model-agnostic post-hoc algorithm to explain time series forecasting models and their forecasts. Our method is based on localized input perturbations and results in multi-granular explanations. Further, it is able to characterize cross-channel correlations for multivariate time series forecasts. We clearly outline the algorithmic procedure behind PAX-TS, demonstrate it on a benchmark with 7 algorithms and 10 diverse datasets, compare it with two other state-of-the-art explanation algorithms, and present the different explanation types of the method. We found that the explanations of high-performing and low-performing algorithms differ on the same datasets, highlighting that the explanations of PAX-TS effectively capture a model's behavior. Based on time step correlation matrices resulting from the benchmark, we identify 6 classes of patterns that repeatedly occur across different datasets and algorithms. We found that the patterns are indicators of performance, with noticeable differences in forecasting error between the classes. Lastly, we outline a multivariate example where PAX-TS demonstrates how the forecasting model takes cross-channel correlations into account. With PAX-TS, time series forecasting models' mechanisms can be illustrated in different levels of detail, and its explanations can be used to answer practical questions on forecasts.
- Abstract（参考訳）: 時系列予測は過去数年間で大幅に改善され、トランスフォーマーモデルと大規模言語モデルが最先端の最先端を推し進めている。
現代の予測モデルは一般に不透明であり、予測に説明を与えていないが、LIMEのような有名なポストホックな説明可能性法は予測に適していない。
本稿では,時系列予測モデルとその予測を説明するモデルに依存しないポストホックアルゴリズムPAX-TSを提案する。
提案手法は,局所的な入力摂動に基づいて,複数の粒界的な説明を行う。
さらに、多変量時系列予測のためのチャネル間相関を特徴付けることができる。
PAX-TSの背後にあるアルゴリズムの手順を概説し、それを7つのアルゴリズムと10の多様なデータセットのベンチマークで示し、他の2つの最先端説明アルゴリズムと比較し、その方法の異なる説明型を提示する。
高い性能と低パフォーマンスのアルゴリズムの説明は同じデータセットで異なり、PAX-TSの説明がモデルの振る舞いを効果的に捉えていることが明らかになった。
ベンチマークから得られた時間ステップ相関行列に基づいて、異なるデータセットやアルゴリズム間で繰り返し発生するパターンのクラスを6つ同定する。
その結果,これらのパターンは性能の指標であり,クラス間の誤差予測に顕著な差があることが判明した。
最後に、PAX-TSがチャネル間の相関を考慮に入れた予測モデルを示す多変量例を概説する。
PAX-TSでは、時系列予測モデルのメカニズムを様々なレベルで詳細に説明することができ、その説明は予測に関する実践的な疑問に答えることができる。
関連論文リスト
- Interpreting Time Series Forecasts with LIME and SHAP: A Case Study on the Air Passengers Dataset [1.9943074894669668]
時系列の予測は、航空、エネルギー、小売、健康において重要な決定を下している。
本稿では,局所的な解釈可能なモデルに依存しない説明を用いて時系列予測を解釈するための統一的な枠組みを提案する。
特に12ヶ月のラグと季節的なエンコーディングは、ほとんどの予測のばらつきを説明します。
論文 参考訳（メタデータ） (2025-08-17T06:22:29Z) - ModelRadar: Aspect-based Forecast Evaluation [0.393259574660092]
予測モデルの評価と比較の現在のプラクティスは、パフォーマンスを1つのスコアにまとめることに重点を置いています。
この制限は、平均的な複数のレイヤ – データセット内の時間ステップ、地平線、および複数の時系列 – が関連するパフォーマンスの変動を隠蔽する、時系列予測において特に問題となる。
定常性,異常の有無,地平線予測など,多面にわたる一変量時系列予測モデルを評価するためのフレームワークであるModelRadarを提案する。
論文 参考訳（メタデータ） (2025-03-31T11:50:45Z) - Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。
推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。
我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
論文 参考訳（メタデータ） (2024-11-02T07:06:53Z) - MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。
予測性能を高めるために3段階の相関を同時に検討する。
注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
論文 参考訳（メタデータ） (2024-05-30T03:32:44Z) - Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。
ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。
以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
論文 参考訳（メタデータ） (2023-10-12T08:51:59Z) - Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。
TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。
共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
論文 参考訳（メタデータ） (2022-12-20T17:40:03Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2022-05-16T07:53:42Z) - Multivariate Data Explanation by Jumping Emerging Patterns Visualization [78.6363825307044]
多変量データセットにおけるパターンの識別と視覚的解釈を支援するVAX(multiVariate dAta eXplanation)を提案する。
既存の類似のアプローチとは異なり、VAXはJumping Emerging Patternsという概念を使って、複数の多様化したパターンを特定し、集約し、データ変数のロジックの組み合わせを通して説明を生成する。
論文 参考訳（メタデータ） (2021-06-21T13:49:44Z) - Time Adaptive Gaussian Model [0.913755431537592]
我々のモデルは、時間的グラフィカルモデルの推論のための最先端手法の一般化である。
時間内にデータポイントをクラスタリングすることでパターン認識を行い、観察された変数間の確率的(そしておそらく因果関係)関係を見つける。
論文 参考訳（メタデータ） (2021-02-02T00:28:14Z) - Explainable boosted linear regression for time series forecasting [0.1876920697241348]
時系列予測では、過去の観測を収集し分析し、将来の観測を外挿するモデルを開発する。
時系列予測のための説明可能な強化線形回帰(EBLR)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-18T22:31:42Z)
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。