論文の概要: Faithful and Interpretable Explanations for Complex Ensemble Time Series Forecasts using Surrogate Models and Forecastability Analysis

• arxiv url: http://arxiv.org/abs/2510.08739v1
• Date: Thu, 09 Oct 2025 18:49:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:47.50592
• Title: Faithful and Interpretable Explanations for Complex Ensemble Time Series Forecasts using Surrogate Models and Forecastability Analysis
• Title（参考訳）: サロゲートモデルと予測可能性分析を用いた複雑なアンサンブル時系列予測のための忠実で解釈可能な説明
• Authors: Yikai Zhao, Jiekai Ma,
• Abstract要約: 本稿では,精度と解釈可能性のギャップを埋めるサロゲートに基づく説明手法を開発する。 スペクトル予測可能性分析を統合し,各系列固有の予測可能性の定量化を行う。 結果として得られるフレームワークは、最先端のアンサンブル予測に対する解釈可能なインスタンスレベルの説明を提供する。
• 参考スコア（独自算出の注目度）: 1.5751034894694789
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern time series forecasting increasingly relies on complex ensemble models generated by AutoML systems like AutoGluon, delivering superior accuracy but with significant costs to transparency and interpretability. This paper introduces a comprehensive, dual-approach framework that addresses both the explainability and forecastability challenges in complex time series ensembles. First, we develop a surrogate-based explanation methodology that bridges the accuracy-interpretability gap by training a LightGBM model to faithfully mimic AutoGluon's time series forecasts, enabling stable SHAP-based feature attributions. We rigorously validated this approach through feature injection experiments, demonstrating remarkably high faithfulness between extracted SHAP values and known ground truth effects. Second, we integrated spectral predictability analysis to quantify each series' inherent forecastability. By comparing each time series' spectral predictability to its pure noise benchmarks, we established an objective mechanism to gauge confidence in forecasts and their explanations. Our empirical evaluation on the M5 dataset found that higher spectral predictability strongly correlates not only with improved forecast accuracy but also with higher fidelity between the surrogate and the original forecasting model. These forecastability metrics serve as effective filtering mechanisms and confidence scores, enabling users to calibrate their trust in both the forecasts and their explanations. We further demonstrated that per-item normalization is essential for generating meaningful SHAP explanations across heterogeneous time series with varying scales. The resulting framework delivers interpretable, instance-level explanations for state-of-the-art ensemble forecasts, while equipping users with forecastability metrics that serve as reliability indicators for both predictions and their explanations.
• Abstract（参考訳）: 現代の時系列予測は、AutoGluonのようなAutoMLシステムによって生成される複雑なアンサンブルモデルにますます依存しており、精度は優れていますが、透明性と解釈可能性に大きなコストがかかります。 本稿では,複雑な時系列アンサンブルにおける説明可能性と予測可能性の両方に対処する,包括的,二重アプローチのフレームワークを提案する。 まず,LightGBMモデルをトレーニングして,AutoGluonの時系列予測を忠実に模倣し,SHAPに基づく安定した特徴属性を実現することで,精度と解釈可能性のギャップを埋めるサロゲートベースの説明手法を開発する。 提案手法を特徴注入実験により厳密に検証し,抽出したSHAP値と既知の真実効果との間に極めて高い忠実性を証明した。 第2に、スペクトル予測可能性分析を統合し、各系列固有の予測可能性の定量化を行う。 各時系列のスペクトル予測可能性と純粋なノイズベンチマークを比較することで,予測の信頼性とその説明を客観的に評価するメカニズムを確立した。 M5データセットの実験的評価により,高いスペクトル予測性は予測精度の向上だけでなく,サロゲートと元の予測モデルとの忠実度の向上と強く相関していることがわかった。 これらの予測可能性指標は、効果的なフィルタリングメカニズムと信頼性スコアとして機能し、ユーザーは予測と説明の両方で信頼を調整できる。 さらに,各項目ごとの正規化は,様々なスケールの異種時系列にわたって有意義なSHAP説明を生成する上で必要であることを示した。 結果として得られるフレームワークは、最先端のアンサンブル予測に対する解釈可能なインスタンスレベルの説明を提供すると同時に、予測と説明の両方の信頼性指標として機能する予測可能性指標をユーザに提供する。

関連論文リスト

• Beyond Model Ranking: Predictability-Aligned Evaluation for Time Series Forecasting [18.018179328110048]
  スペクトルコヒーレンスに基づく予測可能性整合診断フレームワークを提案する。 予測可能性ドリフト(predictability drift, 予測可能性ドリフト)の最初の体系的な証拠として, タスクの予測困難度が時間とともに急激に変化することを示す。 複雑なモデルは予測可能性の低いデータより優れているのに対し、線形モデルは予測可能なタスクに非常に効果的である。
  論文  参考訳（メタデータ） (2025-09-27T02:56:06Z)
• Time Series Forecastability Measures [4.136441456697068]
  本稿では,モデル開発に先立って時系列の予測可能性を定量化する2つの指標を提案する。 スペクトル予測可能性スコアは、時系列における周波数成分の強度と規則性を評価する。 Lyapunov指数は、データを生成するシステムのカオスと安定性を定量化する。
  論文  参考訳（メタデータ） (2025-07-17T22:23:51Z)
• Diffusion-based Time Series Forecasting for Sewerage Systems [0.3495246564946556]
  我々は,下水道システムにおける文脈予測の精度を高めるための新しい深層学習手法を提案する。 我々のシステムは、様々な環境信号の複雑な相関を捉え、極端な気象イベントにおいても堅牢な予測を可能にする。 実際の下水道システムデータに対する実証テストでは、信頼性の高いコンテキスト予測を提供するためのモデルの異常な能力を確認しました。
  論文  参考訳（メタデータ） (2025-06-10T08:48:05Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• LoMEF: A Framework to Produce Local Explanations for Global Model Time Series Forecasts [2.3096751699592137]
  複数の時系列にまたがってトレーニングされたグローバル予測モデル(GFM)は、多くの予測競合や実世界のアプリケーションにおいて優れた結果を示している。 しかしながら、GFMは通常、特に特定の時系列に対する解釈可能性に欠ける。 本稿では,GFMからの予測を説明するために,局所モデルに依存しない新しい解法を提案する。
  論文  参考訳（メタデータ） (2021-11-13T00:17:52Z)
• An Interpretable Probabilistic Model for Short-Term Solar Power Forecasting Using Natural Gradient Boosting [0.0]
  本稿では,高精度で信頼性が高く,鋭い予測を生成できる2段階確率予測フレームワークを提案する。 このフレームワークは、ポイント予測と予測間隔(PI)の両方について完全な透明性を提供する。 提案フレームワークの性能と適用性を強調するため,南ドイツにある2つのPV公園の実際のデータを用いている。
  論文  参考訳（メタデータ） (2021-08-05T12:59:38Z)

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。