論文の概要: UniCoMTE: A Universal Counterfactual Framework for Explaining Time-Series Classifiers on ECG Data
- arxiv url: http://arxiv.org/abs/2512.17100v2
- Date: Mon, 22 Dec 2025 02:23:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-23 14:49:56.319641
- Title: UniCoMTE: A Universal Counterfactual Framework for Explaining Time-Series Classifiers on ECG Data
- Title（参考訳）: UniCoMTE: 時系列分類器をECGデータ上に記述するための汎用対実フレームワーク
- Authors: Justin Li, Efe Sencan, Jasper Zheng Duan, Vitus J. Leung, Stephen Tsaur, Ayse K. Coskun,
- Abstract要約: 時系列分類器の対実的説明を生成するためのモデルに依存しないフレームワークUniCoMTEを紹介する。
UniCoMTEは、入力サンプルを変更し、モデルの予測に与える影響を評価することで、モデルの予測に最も大きな影響を与える時間的特徴を特定する。
その結果,本手法は,明確さと適用性の両方において既存手法よりも優れているという,簡潔で安定的で人為的な説明が得られた。
- 参考スコア（独自算出の注目度）: 0.9133451183797617
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning models, particularly deep neural networks, have demonstrated strong performance in classifying complex time series data. However, their black-box nature limits trust and adoption, especially in high-stakes domains such as healthcare. To address this challenge, we introduce UniCoMTE, a model-agnostic framework for generating counterfactual explanations for multivariate time series classifiers. The framework identifies temporal features that most heavily influence a model's prediction by modifying the input sample and assessing its impact on the model's prediction. UniCoMTE is compatible with a wide range of model architectures and operates directly on raw time series inputs. In this study, we evaluate UniCoMTE's explanations on a time series ECG classifier. We quantify explanation quality by comparing our explanations' comprehensibility to comprehensibility of established techniques (LIME and SHAP) and assessing their generalizability to similar samples. Furthermore, clinical utility is assessed through a questionnaire completed by medical experts who review counterfactual explanations presented alongside original ECG samples. Results show that our approach produces concise, stable, and human-aligned explanations that outperform existing methods in both clarity and applicability. By linking model predictions to meaningful signal patterns, the framework advances the interpretability of deep learning models for real-world time series applications.
- Abstract（参考訳）: 機械学習モデル、特にディープニューラルネットワークは、複雑な時系列データの分類において強力なパフォーマンスを示している。
しかしながら、ブラックボックスの性質は信頼と採用を制限しており、特に医療のような高度な領域ではそうである。
この課題に対処するために、多変量時系列分類器の対実的説明を生成するためのモデルに依存しないフレームワークUniCoMTEを紹介する。
このフレームワークは、入力サンプルを変更し、モデルの予測に与える影響を評価することによって、モデルの予測に最も大きな影響を与える時間的特徴を特定する。
UniCoMTEは幅広いモデルアーキテクチャと互換性があり、生の時系列入力で直接動作する。
本研究では,UniCoMTEの説明を時系列ECG分類器で評価する。
我々は,既存の手法(LIMEおよびSHAP)の理解度と説明の理解度を比較し,類似したサンプルに対する一般化性を評価することによって,説明品質を定量化する。
さらに, 臨床応用は, 医療専門家が実施したアンケートによって評価され, 元の心電図のサンプルとともに提示された反実的説明をレビューする。
その結果,本手法は,明確さと適用性の両方において既存手法よりも優れているという,簡潔で安定的で人為的な説明が得られた。
モデル予測を有意義な信号パターンにリンクすることにより、現実世界の時系列アプリケーションのためのディープラーニングモデルの解釈可能性を向上させる。
関連論文リスト
- Understanding the Implicit Biases of Design Choices for Time Series Foundation Models [90.894232610821]
時系列基礎モデル(TSFM)は、時系列予測と関連する時間的タスクのための潜在的に強力で汎用的なツールのクラスである。
彼らの行動はデザインの微妙な帰納的バイアスによって強く形作られています。
モデルやデータの性質によって、これらのバイアスが直感的であるか、非常に直感的であるかを示す。
論文 参考訳（メタデータ） (2025-10-22T04:42:35Z) - 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) - ARIES: Relation Assessment and Model Recommendation for Deep Time Series Forecasting [54.57031153712623]
ARIESは時系列特性とモデリング戦略の関係を評価するためのフレームワークである。
実世界の時系列に解釈可能な提案を提供することのできる,最初の深層予測モデルレコメンデータを提案する。
論文 参考訳（メタデータ） (2025-09-07T13:57:14Z) - Spatial Reasoning with Denoising Models [49.83744014336816]
本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。
初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。
これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
論文 参考訳（メタデータ） (2025-02-28T14:08:30Z) - TSFeatLIME: An Online User Study in Enhancing Explainability in Univariate Time Series Forecasting [1.9314780151274307]
本稿では, TSLIMEを拡張したTSFeatLIMEというフレームワークを提案する。
TSFeatLIMEは補助的特徴をサロゲートモデルに統合し、クエリされた時系列と生成されたサンプルの間の一対のユークリッド距離を考察する。
その結果,TSFeatLIMEフレームワーク下でのサロゲートモデルは,距離を考慮したブラックボックスの挙動を,精度を犠牲にすることなくより良くシミュレートできることがわかった。
論文 参考訳（メタデータ） (2024-09-24T10:24:53Z) - ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。
我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
論文 参考訳（メタデータ） (2023-04-07T15:17:48Z) - Development of Interpretable Machine Learning Models to Detect
Arrhythmia based on ECG Data [0.0]
この論文は、最先端モデルに基づいた畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)分類器を構築する。
大域的および局所的解釈可能性法は、依存変数と独立変数の相互作用を理解するために利用される。
提案したCNNモデルとLSTMモデルの予測を説明する上で,Grad-Camが最も効果的な解釈可能性技術であることが判明した。
論文 参考訳（メタデータ） (2022-05-05T17:29:33Z) - Model-Based Counterfactual Synthesizer for Interpretation [40.01787107375103]
機械学習モデルを解釈するためのモデルベース対実合成器(MCS)フレームワークを提案する。
まずモデルに基づく逆ファクト過程を分析し、条件付き生成逆数ネット(CGAN)を用いてベースシンセサイザーを構築する。
それらの希少なクエリに対する反ファクト宇宙をよりよく近似するために,MCSフレームワークのトレーニングを行うために,傘サンプリング手法を新たに採用した。
論文 参考訳（メタデータ） (2021-06-16T17:09:57Z) - Model-Attentive Ensemble Learning for Sequence Modeling [86.4785354333566]
シーケンスモデリング(MAES)のためのモデル・アテンティブ・アンサンブル・ラーニングを提案する。
MAESは、異なるシーケンスダイナミクスの専門家を専門とし、予測を適応的に重み付けるために、注目ベースのゲーティングメカニズムを利用する時系列の専門家の混合物です。
MAESが時系列シフトを受けるデータセットの人気シーケンスモデルを大幅に上回ることを示す。
論文 参考訳（メタデータ） (2021-02-23T05:23:35Z) - Concept-based model explanations for Electronic Health Records [1.6837409766909865]
概念活性化ベクトル(TCAV)を用いたテストは、人間に理解可能な説明を提供する手段として最近導入された。
本手法を時系列データに拡張し,TCAVの適用をEHRの逐次予測に適用する。
論文 参考訳（メタデータ） (2020-12-03T22:18:24Z)
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。