論文の概要: TimeSliver : Symbolic-Linear Decomposition for Explainable Time Series Classification

• arxiv url: http://arxiv.org/abs/2601.21289v1
• Date: Thu, 29 Jan 2026 05:42:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.600499
• Title: TimeSliver : Symbolic-Linear Decomposition for Explainable Time Series Classification
• Title（参考訳）: TimeSliver : 説明可能な時系列分類のための記号-線形分解
• Authors: Akash Pandey, Payal Mohapatra, Wei Chen, Qi Zhu, Sinan Keten,
• Abstract要約: 時系列分類のための新しい説明可能性駆動型ディープラーニングフレームワークTimeSliverを提案する。 TimeSliverは、各時間セグメントの最終的な予測への貢献を符号化し、各時点に意味のある重要なスコアを割り当てることができます。 TimeSliverは26のUEAベンチマークデータセットで、最先端のベースラインの2%以内の予測パフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 10.148392358711787
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying the extent to which every temporal segment influences a model's predictions is essential for explaining model decisions and increasing transparency. While post-hoc explainable methods based on gradients and feature-based attributions have been popular, they suffer from reference state sensitivity and struggle to generalize across time-series datasets, as they treat time points independently and ignore sequential dependencies. Another perspective on explainable time-series classification is through interpretable components of the model, for instance, leveraging self-attention mechanisms to estimate temporal attribution; however, recent findings indicate that these attention weights often fail to provide faithful measures of temporal importance. In this work, we advance this perspective and present a novel explainability-driven deep learning framework, TimeSliver, which jointly utilizes raw time-series data and its symbolic abstraction to construct a representation that maintains the original temporal structure. Each element in this representation linearly encodes the contribution of each temporal segment to the final prediction, allowing us to assign a meaningful importance score to every time point. For time-series classification, TimeSliver outperforms other temporal attribution methods by 11% on 7 distinct synthetic and real-world multivariate time-series datasets. TimeSliver also achieves predictive performance within 2% of state-of-the-art baselines across 26 UEA benchmark datasets, positioning it as a strong and explainable framework for general time-series classification.
• Abstract（参考訳）: すべての時間セグメントがモデルの予測に影響を与える範囲を特定することは、モデル決定の説明と透明性の向上に不可欠である。 勾配と特徴に基づく属性に基づくポストホックな説明可能なメソッドは人気があるが、それらは参照状態の感度に悩まされ、時系列データセットをまたいだ一般化に苦慮している。 説明可能な時系列分類に関するもう1つの見解は、例えば、時間的帰属を推定するために自己注意機構を活用するモデルの解釈可能な要素を通してである。 本研究では、この視点を推し進め、生の時系列データと象徴的な抽象化を共同で活用し、元の時間構造を維持する表現を構築する、新しい説明可能性駆動型ディープラーニングフレームワークであるTimeSliverを提案する。 この表現の各要素は、各時間セグメントの最終的な予測への寄与を線形に符号化し、各時点に意味のある重要なスコアを割り当てる。 時系列分類では、TimeSliverは7つの異なる合成および実世界の多変量時系列データセットに対して、他の時間的属性法を11%上回っている。 TimeSliverはまた、26のUEAベンチマークデータセットにまたがる最先端のベースラインの2%以内に予測パフォーマンスを達成し、一般的な時系列分類のための強力で説明可能なフレームワークとして位置付けている。

関連論文リスト

• Patch-Level Tokenization with CNN Encoders and Attention for Improved Transformer Time-Series Forecasting [0.0]
  本稿では,局所的時間的表現学習をグローバル依存モデルから分離する2段階予測フレームワークを提案する。 畳み込みニューラルネットワークは、固定長の時間的パッチで動作し、短距離時間的ダイナミクスと非線形特徴相互作用を抽出する。 その後、Transformerエンコーダがパッチ間の時間依存性をモデル化し、予測を生成する。
  論文  参考訳（メタデータ） (2026-01-18T16:16:01Z)
• FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
  周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。 本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。 FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-05-29T07:18:28Z)
• Capturing Temporal Components for Time Series Classification [5.70772577110828]
  本研究では,逐次データから抽出した統計的コヒーレントな成分に基づいて学習したテキスト合成表現学習手法を提案する。 マルチスケールな変更空間に基づいて、シーケンシャルデータを類似の統計特性を持つチャンクに分割する教師なしの手法を提案する。 シーケンスベースのエンコーダモデルをマルチタスク設定でトレーニングし、時系列分類のための時間成分から合成表現を学習する。
  論文  参考訳（メタデータ） (2024-06-20T16:15:21Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• Introducing the Attribution Stability Indicator: a Measure for Time Series XAI Attributions [9.734940058811707]
  本稿では,時系列の属性安定度を考慮に入れた属性安定度指標(ASI)を提案する。 本研究では,次元再現空間における属性の分析と,3つの時系列分類データセット上でのASIスコア分布に基づいて,所望の特性を実証する。
  論文  参考訳（メタデータ） (2023-10-06T11:48:26Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Interpretable Time-series Representation Learning With Multi-Level Disentanglement [56.38489708031278]
  Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。 DTSは時系列の解釈可能な表現として階層的意味概念を生成する。 DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-05-17T22:02:24Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)
• What went wrong and when? Instance-wise Feature Importance for Time-series Models [32.76628660490065]
  時系列ブラックボックスモデルにおける観測の重要性を評価する枠組みを提案する。 FITは、分布シフトへの貢献に基づく観測の重要性を定義している。 時間依存分布シフトを制御する必要性を示す。
  論文  参考訳（メタデータ） (2020-03-05T18:45:05Z)

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。