論文の概要: ProtoTSNet: Interpretable Multivariate Time Series Classification With Prototypical Parts

• arxiv url: http://arxiv.org/abs/2511.02152v1
• Date: Tue, 04 Nov 2025 00:42:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.761047
• Title: ProtoTSNet: Interpretable Multivariate Time Series Classification With Prototypical Parts
• Title（参考訳）: ProtoTSNet: プロトタイプ部品を用いた解釈可能な多変量時系列分類
• Authors: Bartłomiej Małkus, Szymon Bobek, Grzegorz J. Nalepa,
• Abstract要約: ProtoTSNetは時系列データの解釈可能な分類のための新しいアプローチである。 我々のイノベーションの中心は、グループ畳み込みを利用した畳み込みエンコーダであり、オートエンコーダの一部として事前訓練可能である。
• 参考スコア（独自算出の注目度）: 6.99674326582747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series data is one of the most popular data modalities in critical domains such as industry and medicine. The demand for algorithms that not only exhibit high accuracy but also offer interpretability is crucial in such fields, as decisions made there bear significant consequences. In this paper, we present ProtoTSNet, a novel approach to interpretable classification of multivariate time series data, through substantial enhancements to the ProtoPNet architecture. Our method is tailored to overcome the unique challenges of time series analysis, including capturing dynamic patterns and handling varying feature significance. Central to our innovation is a modified convolutional encoder utilizing group convolutions, pre-trainable as part of an autoencoder and designed to preserve and quantify feature importance. We evaluated our model on 30 multivariate time series datasets from the UEA archive, comparing our approach with existing explainable methods as well as non-explainable baselines. Through comprehensive evaluation and ablation studies, we demonstrate that our approach achieves the best performance among ante-hoc explainable methods while maintaining competitive performance with non-explainable and post-hoc explainable approaches, providing interpretable results accessible to domain experts.
• Abstract（参考訳）: 時系列データは、産業や医療といった重要な領域において、最も一般的なデータモダリティの1つである。 高い精度を示すだけでなく、解釈可能性を提供するアルゴリズムの要求は、そのような分野で重要である。 本稿では,ProtoPNetアーキテクチャの大幅な拡張を通じて,多変量時系列データの解釈可能な分類手法であるProtoTSNetを提案する。 本手法は,動的パターンの取得や特徴量の変化など,時系列解析の独特な課題を克服するために最適化されている。 我々のイノベーションの中心は、グループ畳み込みを利用した畳み込みエンコーダであり、オートエンコーダの一部として事前訓練可能であり、機能の重要性を保存および定量化するために設計されている。 UEAアーカイブから得られた30の多変量時系列データセットを用いて,既存の説明可能な手法と説明不能なベースラインとのアプローチを比較した。 総合的な評価とアブレーション研究を通じて,本手法は,説明不能でポストホックな説明可能なアプローチと競合する性能を維持しつつ,解答可能な結果をドメインの専門家に提供しながら,解答可能な手法の中で最高の性能を達成できることを実証した。

関連論文リスト

• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Bridging Distribution Gaps in Time Series Foundation Model Pretraining with Prototype-Guided Normalization [29.082583523943157]
  本稿では,Transformerアーキテクチャ内でのドメイン対応適応正規化戦略を提案する。 従来のLayerNormをプロトタイプ誘導動的正規化機構(ProtoNorm)に置き換える。 本手法は,従来の事前学習手法よりも,分類タスクと予測タスクの両方において優れていた。
  論文  参考訳（メタデータ） (2025-04-15T06:23:00Z)
• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• Towards Generalisable Time Series Understanding Across Domains [10.350643783811174]
  時系列の不均一性を扱うために特別に設計された新しい事前学習パラダイムを導入する。 本稿では、学習可能なドメインシグネチャ、二重マスキング戦略、正規化相互相関損失を持つトークンサを提案する。 私たちのコードと事前訓練されたウェイトはhttps://www.oetu.com/oetu/otis.comで公開されています。
  論文  参考訳（メタデータ） (2024-10-09T17:09:30Z)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• UniTime: A Language-Empowered Unified Model for Cross-Domain Time Series Forecasting [59.11817101030137]
  この研究はドメイン境界を超越する統一モデルパラダイムを提唱する。 効果的なクロスドメインモデルを学ぶことは、以下の課題を提示します。 効果的なドメイン間時系列学習のためのUniTimeを提案する。
  論文  参考訳（メタデータ） (2023-10-15T06:30:22Z)
• Generating Sparse Counterfactual Explanations For Multivariate Time Series [0.5161531917413706]
  多変量時系列に対するSPARse Counterfactual Explanationsを生成するGANアーキテクチャを提案する。 提案手法は, トラジェクトリの類似性, 疎性, 滑らか性の観点から, 対実損失関数を正規化する。 我々は,実世界の人間の動作データセットと合成時系列解釈可能性ベンチマークに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2022-06-02T08:47:06Z)
• Explainable Multivariate Time Series Classification: A Deep Neural Network Which Learns To Attend To Important Variables As Well As Informative Time Intervals [32.30627405832656]
  時系列データは、様々な現実世界のアプリケーションで広く使われている。 このような予測モデルを理解するための重要な基準は、分類に対する時間変化の入力変数の寄与を解明し定量化することである。 本稿では,変数と時間間隔を同時に識別し,分類出力を決定する新しい,モジュール型・畳み込み型特徴抽出・注目機構を提案する。
  論文  参考訳（メタデータ） (2020-11-23T19:16:46Z)
• Benchmarking Deep Learning Interpretability in Time Series Predictions [41.13847656750174]
  モデル予測における入力特徴の重要性を強調するために、サリエンシ法が広く用いられている。 そこで我々は,多様なニューラルアーキテクチャにまたがって,サリエンシに基づく様々な解釈可能性手法の性能を広範囲に比較した。
  論文  参考訳（メタデータ） (2020-10-26T22:07:53Z)

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。