論文の概要: Counterfactual Explainable AI (XAI) Method for Deep Learning-Based Multivariate Time Series Classification

• arxiv url: http://arxiv.org/abs/2511.13237v1
• Date: Mon, 17 Nov 2025 11:00:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:25.140253
• Title: Counterfactual Explainable AI (XAI) Method for Deep Learning-Based Multivariate Time Series Classification
• Title（参考訳）: 深層学習に基づく多変量時系列分類のための対実的説明可能なAI(XAI)手法
• Authors: Alan G. Paredes Cetina, Kaouther Benguessoum, Raoni Lourenço, Sylvain Kubler,
• Abstract要約: 多変量時系列分類のための新しい多目的対実説明法(CE)を提案する。 ConFETTI は、重要な MTS サブシーケンスを特定し、反ファクトターゲットを特定し、予測の信頼性、近接性、スパーシリティのバランスをとるために、時系列を最適に修正する。 常に最先端のCEメソッドを最適化の目的、および文献の他の6つの指標で上回っている。
• 参考スコア（独自算出の注目度）: 2.6847339127608385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in deep learning have improved multivariate time series (MTS) classification and regression by capturing complex patterns, but their lack of transparency hinders decision-making. Explainable AI (XAI) methods offer partial insights, yet often fall short of conveying the full decision space. Counterfactual Explanations (CE) provide a promising alternative, but current approaches typically prioritize either accuracy, proximity or sparsity -- rarely all -- limiting their practical value. To address this, we propose CONFETTI, a novel multi-objective CE method for MTS. CONFETTI identifies key MTS subsequences, locates a counterfactual target, and optimally modifies the time series to balance prediction confidence, proximity and sparsity. This method provides actionable insights with minimal changes, improving interpretability, and decision support. CONFETTI is evaluated on seven MTS datasets from the UEA archive, demonstrating its effectiveness in various domains. CONFETTI consistently outperforms state-of-the-art CE methods in its optimization objectives, and in six other metrics from the literature, achieving $\geq10\%$ higher confidence while improving sparsity in $\geq40\%$.
• Abstract（参考訳）: 近年の深層学習の進歩は,多変量時系列(MTS)の分類と回帰を複雑なパターンを捉えることで改善しているが,透明性の欠如は意思決定を妨げている。 説明可能なAI(XAI)メソッドは部分的な洞察を提供するが、多くの場合、完全な決定空間を伝達するに足らない。 Counterfactual Explanations (CE) は有望な代替手段を提供するが、現在のアプローチは一般的に、正確さ、近接性、または空間性(ほとんどすべて)を優先し、実用的価値を制限している。 そこで本研究では,MTSのための新しい多目的CE手法であるConFETTIを提案する。 CONFETTI は、重要な MTS サブシーケンスを特定し、反ファクトターゲットを特定し、予測の信頼性、近接性、スパーシリティのバランスをとるために、時系列を最適に修正する。 この方法は、最小限の変更で実行可能な洞察を提供し、解釈可能性を改善し、意思決定を支援する。 CONFETTIは、UEAアーカイブから7つのMSSデータセットで評価され、様々な領域でその有効性を示す。 CONFETTIは、その最適化目標において最先端のCEメソッドを一貫して上回り、文献の他の6つのメトリクスでは、より高い信頼度を達成し、そして、$\geq40\%$のスパーシリティを改善している。

関連論文リスト

• Scale, Don't Fine-tune: Guiding Multimodal LLMs for Efficient Visual Place Recognition at Test-Time [12.659582318581606]
  Vision Foundation Models (VFM) や Multimodal Large Language Models (MLLM) といった現在のアプローチでは意味理解が強化されているが、微調整時に高い計算オーバーヘッドと限られたクロスドメイン転送性に悩まされている。 本稿では,直接類似度スコアリングのためのガイダンスベースの手法を用いて,視覚言語アライメント機能を活用したテスト時間スケーリング(TTS)を用いた新しいフレームワークを提案する。 提案手法では,長さ制御可能なスコアアウトプットを生成する構造的プロンプトを用いることで,2段階処理を除去する。
  論文  参考訳（メタデータ） (2025-09-02T09:25:13Z)
• EKPC: Elastic Knowledge Preservation and Compensation for Class-Incremental Learning [53.88000987041739]
  クラスインクリメンタルラーニング(Class-Incremental Learning, CIL)は、AIモデルを、時間とともに異なるクラスのシーケンシャルに到着したデータから継続的に学習可能にすることを目的としている。 本稿では, 重要度を考慮した重要度正規化 (IPR) と CIL のためのトレーニング可能なセマンティックドリフト補償 (TSDC) を統合したElastic Knowledge Preservation and Compensation (EKPC) 法を提案する。
  論文  参考訳（メタデータ） (2025-06-14T05:19:58Z)
• Multiscale Adaptive Conflict-Balancing Model For Multimedia Deepfake Detection [4.849608823153888]
  マルチモーダル検出法は、モダリティ間の不均衡学習によって制限されている。 本稿では,モダリティの対立を緩和し,無視を改善するために,MACB-DF(Audio-Visual Joint Learning Method)を提案する。 提案手法は,従来のベストパフォーマンス手法に比べて,ACCスコアの8.0%と7.7%の絶対的な改善を達成し,優れたクロスデータセット一般化能力を示す。
  論文  参考訳（メタデータ） (2025-05-19T11:01:49Z)
• Multi-SpaCE: Multi-Objective Subsequence-based Sparse Counterfactual Explanations for Multivariate Time Series Classification [3.8305310459921587]
  マルチSpaCEは、時系列データの近接性、疎性、可視性、整合性をバランスさせる。 常に完全な妥当性を達成し、既存の方法と比較して優れたパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-12-14T09:21:44Z)
• Multi-Modal Prompt Learning on Blind Image Quality Assessment [65.0676908930946]
  画像品質評価(IQA)モデルは意味情報から大きな恩恵を受け、異なる種類のオブジェクトを明瞭に扱うことができる。 十分な注釈付きデータが不足している従来の手法では、セマンティックな認識を得るために、CLIPイメージテキスト事前学習モデルをバックボーンとして使用していた。 近年のアプローチでは、このミスマッチに即時技術を使って対処する試みがあるが、これらの解決策には欠点がある。 本稿では、IQAのための革新的なマルチモーダルプロンプトベースの手法を提案する。
  論文  参考訳（メタデータ） (2024-04-23T11:45:32Z)
• Interactive Test-Time Adaptation with Reliable Spatial-Temporal Voxels for Multi-Modal Segmentation [56.70910056845503]
  マルチモーダルテストタイム適応(MM-TTA)は、補完的なマルチモーダル入力をオンライン形式で活用することにより、ラベルのないターゲットドメインにモデルを適応させる。 従来のMM-TTA法は, 時間的不整合によるフレームワイドの不安定な予測と, 信頼度誘導の仮定に反する不正確な予測の2つの大きな限界に悩まされていた。 Latte++は、より情報的な幾何学的対応によって不安定なフレーム単位の予測をより抑制し、対話型テスト時間適応(ITTA)は、努力を伴わない人間のフィードバックを促進するフレキシブルなアドオンである。
  論文  参考訳（メタデータ） (2024-03-11T06:56:08Z)
• Adaptive Affinity Loss and Erroneous Pseudo-Label Refinement for Weakly Supervised Semantic Segmentation [48.294903659573585]
  本稿では,多段階アプローチの親和性学習を単一段階モデルに組み込むことを提案する。 深層ニューラルネットワークは、トレーニングフェーズで包括的なセマンティック情報を提供するために使用される。 提案手法の有効性を評価するため,PASCAL VOC 2012データセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2021-08-03T07:48:33Z)
• Transductive Information Maximization For Few-Shot Learning [41.461586994394565]
  数ショット学習のためのTIM(Transductive Infomation Maximization)を提案する。 提案手法は,与えられた数発のタスクに対して,クエリ特徴とラベル予測との相互情報を最大化する。 相互情報損失に対する新たな交互方向解法を提案する。
  論文  参考訳（メタデータ） (2020-08-25T22:38:41Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。