論文の概要: TriShGAN: Enhancing Sparsity and Robustness in Multivariate Time Series Counterfactuals Explanation

• arxiv url: http://arxiv.org/abs/2511.06529v1
• Date: Sun, 09 Nov 2025 20:32:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.991759
• Title: TriShGAN: Enhancing Sparsity and Robustness in Multivariate Time Series Counterfactuals Explanation
• Title（参考訳）: TriShGAN:多変量時系列カウンターファクトリーにおけるスパーシリティとロバストネスの強化
• Authors: Hongnan Ma, Yiwei Shi, Guanxiong Sun, Mengyue Yang, Weiru Liu,
• Abstract要約: カウンターファクトの説明は、クエリされたインスタンスで何が変更されるべきなのかを提案して、AIシステムの結果を変更する。 伝統的なNearest Neighborベースの手法は、典型的には、NUNから影響力のあるサブシーケンスを持つクエリ時系列のサブシーケンスを置換する。 我々は三重項損失の編入により強化されたCounteRGANフレームワークのもとでTriShGANを紹介する。
• 参考スコア（独自算出の注目度）: 8.94594915042052
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In decision-making processes, stakeholders often rely on counterfactual explanations, which provide suggestions about what should be changed in the queried instance to alter the outcome of an AI system. However, generating these explanations for multivariate time series presents challenges due to their complex, multi-dimensional nature. Traditional Nearest Unlike Neighbor-based methods typically substitute subsequences in a queried time series with influential subsequences from an NUN, which is not always realistic in real-world scenarios due to the rigid direct substitution. Counterfactual with Residual Generative Adversarial Networks-based methods aim to address this by learning from the distribution of observed data to generate synthetic counterfactual explanations. However, these methods primarily focus on minimizing the cost from the queried time series to the counterfactual explanations and often neglect the importance of distancing the counterfactual explanation from the decision boundary. This oversight can result in explanations that no longer qualify as counterfactual if minor changes occur within the model. To generate a more robust counterfactual explanation, we introduce TriShGAN, under the CounteRGAN framework enhanced by the incorporation of triplet loss. This unsupervised learning approach uses distance metric learning to encourage the counterfactual explanations not only to remain close to the queried time series but also to capture the feature distribution of the instance with the desired outcome, thereby achieving a better balance between minimal cost and robustness. Additionally, we integrate a Shapelet Extractor that strategically selects the most discriminative parts of the high-dimensional queried time series to enhance the sparsity of counterfactual explanation and efficiency of the training process.
• Abstract（参考訳）: 意思決定プロセスでは、ステークホルダは、AIシステムの結果を変えるために、クエリインスタンスで何が変更されるべきかを推奨する、反ファクトな説明に頼ることが多い。 しかし、多変量時系列に対するこれらの説明を生成することは、その複雑で多次元的な性質による課題を提示する。 従来のNearestとは異なり、Neighborベースの手法は、通常、厳密な直接置換のために現実のシナリオでは必ずしも現実的ではない、NUNからの影響力のあるサブシーケンスを持つクエリ時系列のサブシーケンスを置換する。 Residual Generative Adversarial Networks を用いたカウンセリング手法は,観測データの分布から学習し,合成カウンセリングの説明を生成することを目的としている。 しかし、これらの手法は主に、クエリされた時系列から反実的説明までのコストを最小化することに焦点を当て、意思決定境界から反実的説明を分散することの重要性を無視することも多い。 この監視は、モデル内で小さな変更が生じた場合、もはや反現実的でないという説明をもたらす可能性がある。 より堅牢な反実的説明を生成するために,三重項損失の取り込みにより強化されたCounteRGANフレームワークを用いてTriShGANを紹介する。 この教師なし学習アプローチは、距離メトリック学習を用いて、クエリされた時系列に近づき続けることだけでなく、インスタンスの特徴分布を望ましい結果で捉え、最小コストとロバストさのバランスを良くする。 さらに,高次元クエリ時系列の最も識別性の高い部分を戦略的に選択したシェープレットエクストラクタを統合して,トレーニングプロセスの非現実的説明と効率性を高める。

関連論文リスト

• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Sequence Complementor: Complementing Transformers For Time Series Forecasting with Learnable Sequences [5.244482076690776]
  シーケンス表現の表現能力は、時間予測においてTransformerのパフォーマンスに影響を与える重要な要因であることがわかった。 本稿では,シークエンス・コンプリメンタを用いた新しいアテンション機構を提案し,情報理論の観点から実現可能であることを示す。
  論文  参考訳（メタデータ） (2025-01-06T03:08:39Z)
• Generative Regression Based Watch Time Prediction for Short-Video Recommendation [36.95095097454143]
  短いビデオレコメンデーションシステムでは、時計の時間予測が重要なタスクとして現れている。 最近の研究は、連続時計時間推定を正規回帰タスクに変換することによって、これらの問題に対処しようとしている。 本稿では,WTPをシーケンス生成タスクとして再構成する新しい生成回帰(GR)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-28T16:48:55Z)
• Causal Temporal Representation Learning with Nonstationary Sparse Transition [22.6420431022419]
  Causal Temporal Representation Learning (Ctrl) 法は、複雑な非定常時間列の時間的因果ダイナミクスを特定することを目的としている。 この研究は、人間の直感的な理解と整合したスパース遷移の仮定を採用し、理論的な観点から識別可能性の結果を提示している。 本稿では,非定常スパース遷移を用いた因果時間表現学習(CtrlNS)を提案する。
  論文  参考訳（メタデータ） (2024-09-05T00:38:27Z)
• 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)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)
• 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)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)

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。