論文の概要: TimeSAE: Sparse Decoding for Faithful Explanations of Black-Box Time Series Models

• arxiv url: http://arxiv.org/abs/2601.09776v1
• Date: Wed, 14 Jan 2026 18:13:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:18.857038
• Title: TimeSAE: Sparse Decoding for Faithful Explanations of Black-Box Time Series Models
• Title（参考訳）: TimeSAE: ブラックボックス時系列モデルの忠実な説明のためのスパースデコーディング
• Authors: Khalid Oublal, Quentin Bouniot, Qi Gan, Stephan Clémençon, Zeynep Akata,
• Abstract要約: 我々は、スパースオートエンコーダ(SAE)のデュアルレンズと因果性を用いて、時系列データのためのブラックボックスモデルを説明するためのフレームワークを提供する。 Sparse Autoencoderの概念に基づいて、ブラックボックスモデル説明のためのフレームワークであるTimeSAEを紹介する。
• 参考スコア（独自算出の注目度）: 43.93571535425354
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: As black box models and pretrained models gain traction in time series applications, understanding and explaining their predictions becomes increasingly vital, especially in high-stakes domains where interpretability and trust are essential. However, most of the existing methods involve only in-distribution explanation, and do not generalize outside the training support, which requires the learning capability of generalization. In this work, we aim to provide a framework to explain black-box models for time series data through the dual lenses of Sparse Autoencoders (SAEs) and causality. We show that many current explanation methods are sensitive to distributional shifts, limiting their effectiveness in real-world scenarios. Building on the concept of Sparse Autoencoder, we introduce TimeSAE, a framework for black-box model explanation. We conduct extensive evaluations of TimeSAE on both synthetic and real-world time series datasets, comparing it to leading baselines. The results, supported by both quantitative metrics and qualitative insights, show that TimeSAE provides more faithful and robust explanations. Our code is available in an easy-to-use library TimeSAE-Lib: https://anonymous.4open.science/w/TimeSAE-571D/.
• Abstract（参考訳）: ブラックボックスモデルと事前学習モデルが時系列の応用において勢いを増すにつれて、特に解釈可能性と信頼が不可欠である高い領域において、それらの予測の理解と説明がますます重要になる。 しかし,既存の手法のほとんどが分布内説明のみを含んでおり,一般化の学習能力を必要とする訓練支援の外部では一般化していない。 本研究では,スパースオートエンコーダ(SAE)のデュアルレンズと因果性を用いて,時系列データのためのブラックボックスモデルを記述するフレームワークの提供を目的とする。 現在,多くの説明手法が分散シフトに敏感であり,実世界のシナリオにおいて有効性が制限されていることを示す。 Sparse Autoencoderの概念に基づいて、ブラックボックスモデル説明のためのフレームワークであるTimeSAEを紹介する。 合成時系列データセットと実世界の時系列データセットの両方でTimeSAEを広範囲に評価し、主要なベースラインと比較する。 定量的メトリクスと質的な洞察の両方によって支持された結果は、TimeSAEがより忠実で堅牢な説明を提供することを示している。 私たちのコードは、簡単に使えるTimeSAE-Lib: https://anonymous.4open.science/w/TimeSAE-571D/で利用可能です。

関連論文リスト

• TimeLens: Rethinking Video Temporal Grounding with Multimodal LLMs [81.78017865436816]
  我々は,映像の時間的接地能力の強いMLLMを体系的に構築するTimeLensを提案する。 まず,既存のVTGベンチマークにおける重要な品質問題を明らかにし,TimeLens-Benchを導入する。 また、自動再アノテーションパイプラインを通じてノイズの多いトレーニングデータに対処し、大規模で高品質なトレーニングデータセットであるTimeLens-100Kを出力します。
  論文  参考訳（メタデータ） (2025-12-16T18:59:58Z)
• When, How Long and How Much? Interpretable Neural Networks for Time Series Regression by Learning to Mask and Aggregate [16.533105886716804]
  時系列外部回帰(英: Time series extrinsic regression、TSER)とは、連続目標変数を入力時系列から予測するタスクである。 新しいアプローチは、アノテーションを必要とせずに、人間の理解可能な概念のコンパクトなセットを学ぶ。
  論文  参考訳（メタデータ） (2025-12-03T09:01:41Z)
• Implet: A Post-hoc Subsequence Explainer for Time Series Models [7.890123610098698]
  時系列モデルのための新しいポストホック説明器であるImpletを紹介する。 提案手法は,モデルの予測に大きく寄与する重要な時間セグメントを同定する。 本稿では,コホートに基づく(グループレベルの)説明フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-13T17:01:23Z)
• TimeCAP: Learning to Contextualize, Augment, and Predict Time Series Events with Large Language Model Agents [52.13094810313054]
  TimeCAPは、時系列データのコンテキスト化ツールとしてLarge Language Models(LLM)を創造的に利用する時系列処理フレームワークである。 TimeCAPには2つの独立したLCMエージェントが組み込まれており、1つは時系列のコンテキストをキャプチャするテキスト要約を生成し、もう1つはより情報のある予測を行うためにこのリッチな要約を使用する。 実世界のデータセットによる実験結果から,TimeCAPは時系列イベント予測の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-17T04:17:27Z)
• TimeCMA: Towards LLM-Empowered Multivariate Time Series Forecasting via Cross-Modality Alignment [21.690191536424567]
  TimeCMAは、時系列予測のための直感的で効果的なフレームワークである。 8つの実際のデータセットに対する大規模な実験は、TimeCMAが最先端のデータセットを上回っていることを示している。
  論文  参考訳（メタデータ） (2024-06-03T00:27:29Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• timeXplain -- A Framework for Explaining the Predictions of Time Series Classifiers [3.6433472230928428]
  本稿では,時間領域,周波数領域,時系列統計に関する新しいドメインマッピングを提案する。 我々は彼らの説明力と限界を分析する。 我々は、TimeXplainといくつかのモデル固有の説明手法を実験的に比較するために、新しい評価基準を用いる。
  論文  参考訳（メタデータ） (2020-07-15T10:32:43Z)

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。