論文の概要: ProtoTS: Learning Hierarchical Prototypes for Explainable Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2509.23159v1
• Date: Sat, 27 Sep 2025 07:10:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.077178
• Title: ProtoTS: Learning Hierarchical Prototypes for Explainable Time Series Forecasting
• Title（参考訳）: ProtoTS: 説明可能な時系列予測のための階層型プロトタイプ学習
• Authors: Ziheng Peng, Shijie Ren, Xinyue Gu, Linxiao Yang, Xiting Wang, Liang Sun,
• Abstract要約: 本稿では,高精度かつ透明な意思決定を実現する新しい解釈可能な予測フレームワークであるProtoTSを提案する。 ProtoTSは、豊富な異種情報を保存する識別表現に基づいて、インスタンス-プロトタイプの類似性を計算する。 新たにリリースされたLOFデータセットを含む、複数の現実的なベンチマークの実験は、ProtoTSが予測精度の既存のメソッドを超えるだけでなく、専門家が選択可能な解釈を提供することを示している。
• 参考スコア（独自算出の注目度）: 25.219624871510376
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While deep learning has achieved impressive performance in time series forecasting, it becomes increasingly crucial to understand its decision-making process for building trust in high-stakes scenarios. Existing interpretable models often provide only local and partial explanations, lacking the capability to reveal how heterogeneous and interacting input variables jointly shape the overall temporal patterns in the forecast curve. We propose ProtoTS, a novel interpretable forecasting framework that achieves both high accuracy and transparent decision-making through modeling prototypical temporal patterns. ProtoTS computes instance-prototype similarity based on a denoised representation that preserves abundant heterogeneous information. The prototypes are organized hierarchically to capture global temporal patterns with coarse prototypes while capturing finer-grained local variations with detailed prototypes, enabling expert steering and multi-level interpretability. Experiments on multiple realistic benchmarks, including a newly released LOF dataset, show that ProtoTS not only exceeds existing methods in forecast accuracy but also delivers expert-steerable interpretations for better model understanding and decision support.
• Abstract（参考訳）: ディープラーニングは時系列予測において目覚ましいパフォーマンスを達成したが、高リスクシナリオにおける信頼を構築するための意思決定プロセスを理解することがますます重要になっている。 既存の解釈可能なモデルは、しばしば局所的および部分的な説明しか提供せず、不均一な入力変数と相互作用する入力変数が、予測曲線の全体時間パターンを共同で形成する能力に欠ける。 本稿では,プロトタイプ時間パターンをモデル化することで,高精度かつ透明な意思決定を実現する新しい解釈可能な予測フレームワークProtoTSを提案する。 ProtoTSは、豊富な異種情報を保存する識別表現に基づいて、インスタンス-プロトタイプの類似性を計算する。 プロトタイプは階層的に組織され、粗いプロトタイプでグローバルな時間パターンを捉えながら、詳細なプロトタイプでよりきめ細かい局所的なバリエーションを捉え、専門家の操舵と多段階の解釈を可能にする。 新たにリリースされたLOFデータセットを含む、複数の現実的なベンチマークの実験は、ProtoTSが予測精度の既存のメソッドを超えるだけでなく、モデル理解と意思決定サポートを改善するために専門家が選択可能な解釈を提供することを示している。

関連論文リスト

• FedSA: A Unified Representation Learning via Semantic Anchors for Prototype-based Federated Learning [4.244188591221394]
  本稿では,FedSA(Federated Learning via Semantic Anchors)という新しいフレームワークを提案する。 FedSAは、様々な分類タスクにおいて、既存のプロトタイプベースのFLメソッドを著しく上回っている。
  論文  参考訳（メタデータ） (2025-01-09T16:10:03Z)
• DCIts -- Deep Convolutional Interpreter for time series [0.0]
  このモデルは、最小限の時間枠内で必要なすべてのインタラクションをキャプチャする最適なウィンドウサイズを確実に決定できるように設計されている。 これは、高次項を組み込む際の複雑性のバランスをとるため、最適なモデルの順序を効果的に識別する。 これらの進歩は、力学系のモデリングと理解に重要な意味を持ち、モデルが応用および計算物理学者にとって貴重なツールとなる。
  論文  参考訳（メタデータ） (2025-01-08T08:21:58Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• ProtoVAE: A Trustworthy Self-Explainable Prototypical Variational Model [18.537838366377915]
  ProtoVAEは、クラス固有のプロトタイプをエンドツーエンドで学習する変分自動エンコーダベースのフレームワークである。 表現空間を正規化し、正則性制約を導入することにより、信頼性と多様性を強制する。
  論文  参考訳（メタデータ） (2022-10-15T00:42:13Z)
• Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
  数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。 我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。 我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
  論文  参考訳（メタデータ） (2021-05-14T06:58:44Z)
• Feature Importance Explanations for Temporal Black-Box Models [3.655021726150369]
  自然界に固有の時間的モデルを説明する手法であるTIMEを提案する。 我々のアプローチは,グローバルな特徴の重要度を分析するために,モデルに依存しない置換に基づくアプローチを用いる。
  論文  参考訳（メタデータ） (2021-02-23T20:41:07Z)

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。