論文の概要: GroupSegment-SHAP: Shapley Value Explanations with Group-Segment Players for Multivariate Time Series

• arxiv url: http://arxiv.org/abs/2601.06114v1
• Date: Sat, 03 Jan 2026 14:59:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.583083
• Title: GroupSegment-SHAP: Shapley Value Explanations with Group-Segment Players for Multivariate Time Series
• Title（参考訳）: GroupSegment-SHAP:多変量時系列のためのGroup-Segment PlayerによるShapley Value Explanations
• Authors: Jinwoong Kim, Sangjin Park,
• Abstract要約: GroupSegment SHAPは、クロス変数依存と時間経過による分散シフトに基づいて、グループセグメントプレーヤとして説明ユニットを構築する。 実世界の4つの領域(人的活動認識、電力系統予測、医療信号分析、金融時系列)でGS-SHAPを評価した。
• 参考スコア（独自算出の注目度）: 3.5795275871379704
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate time-series models achieve strong predictive performance in healthcare, industry, energy, and finance, but how they combine cross-variable interactions with temporal dynamics remains unclear. SHapley Additive exPlanations (SHAP) are widely used for interpretation. However, existing time-series variants typically treat the feature and time axes independently, fragmenting structural signals formed jointly by multiple variables over specific intervals. We propose GroupSegment SHAP (GS-SHAP), which constructs explanatory units as group-segment players based on cross-variable dependence and distribution shifts over time, and then quantifies each unit's contribution via Shapley attribution. We evaluate GS-SHAP across four real-world domains: human activity recognition, power-system forecasting, medical signal analysis, and financial time series, and compare it with KernelSHAP, TimeSHAP, SequenceSHAP, WindowSHAP, and TSHAP. GS-SHAP improves deletion-based faithfulness (DeltaAUC) by about 1.7x on average over time-series SHAP baselines, while reducing wall-clock runtime by about 40 percent on average under matched perturbation budgets. A financial case study shows that GS-SHAP identifies interpretable multivariate-temporal interactions among key market variables during high-volatility regimes.
• Abstract（参考訳）: 多変量時系列モデルは、医療、産業、エネルギー、ファイナンスにおいて強力な予測性能を達成するが、どのようにして時間的ダイナミクスと相互変数間の相互作用を組み合わせているかははっきりしない。 SHAP (SHapley Additive exPlanations) は解釈に広く使われている。 しかし、既存の時系列変種は、通常、特徴と時間軸を独立に扱い、特定の間隔で複数の変数によって共同で形成される構造信号を断片化する。 本稿では,多変量依存に基づく説明ユニットをグループ分割プレイヤーとして構成するグループ分割SHAP(GS-SHAP)を提案し,各ユニットの寄与度をShapley属性を用いて定量化する。 実世界の4つの領域(人的活動認識、電力系統予測、医療信号分析、金融時系列)でGS-SHAPを評価し、KernelSHAP、TimeSHAP、SequenceSHAP、WindowSHAP、TSHAPと比較した。 GS-SHAPは、削除に基づく忠実度(DeltaAUC)を、時系列SHAPベースラインで平均1.7倍改善し、ウォールクロックランタイムを、一致した摂動予算で平均40%削減する。 金融ケーススタディによれば、GS-SHAPは、高ボラティリティ体制下で鍵市場変数間の解釈可能な多変量時間相互作用を識別する。

関連論文リスト

• An Empirical Evaluation of Factors Affecting SHAP Explanation of Time Series Classification [1.5224436211478214]
  セグメント構成が説明品質にどのように影響するかを理解するために,8種類の時系列アルゴリズムについて検討する。 その結果,セグメントの数は,特定のセグメント化法よりも説明品質に大きく影響していることがわかった。 そこで本研究では,セグメントの長さによって重み付けを行う新しい属性正規化手法を提案する。
  論文  参考訳（メタデータ） (2025-09-03T18:55:23Z)
• DisMS-TS: Eliminating Redundant Multi-Scale Features for Time Series Classification [14.947369878718822]
  時系列分類のための新しいエンドツーエンドのDistangled Multi-Scaleフレームワーク(DisMS-TS)を提案する。 DisMS-TSは、マルチスケール時系列における冗長な共有機能を排除し、予測性能を向上させるように設計されている。 複数のデータセットで実施された実験は、DisMS-TSの競争基準よりも優れており、精度は9.71%まで向上した。
  論文  参考訳（メタデータ） (2025-07-07T01:35:55Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• MSGNet: Learning Multi-Scale Inter-Series Correlations for Multivariate Time Series Forecasting [18.192600104502628]
  時系列データはしばしば、シリーズ内およびシリーズ間相関を示す。 MSGNetの有効性を示すために、複数の実世界のデータセットで大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-12-31T08:23:24Z)
• Kernel-based Joint Independence Tests for Multivariate Stationary and Non-stationary Time Series [0.6749750044497732]
  多変量時系列における共同独立のカーネルベース統計テストを導入する。 提案手法は, 合成例において, 高次依存関係を頑健に発見する方法を示す。 我々の手法はデータの高次相互作用を明らかにするのに役立つ。
  論文  参考訳（メタデータ） (2023-05-15T10:38:24Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
  天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。 時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。 我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。 提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
  論文  参考訳（メタデータ） (2022-10-02T06:58:49Z)
• Instance-wise Graph-based Framework for Multivariate Time Series Forecasting [69.38716332931986]
  我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。 私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
  論文  参考訳（メタデータ） (2021-09-14T07:38:35Z)

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。