論文の概要: xaitimesynth: A Python Package for Evaluating Attribution Methods for Time Series with Synthetic Ground Truth

• arxiv url: http://arxiv.org/abs/2603.06781v1
• Date: Fri, 06 Mar 2026 18:45:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:13.106543
• Title: xaitimesynth: A Python Package for Evaluating Attribution Methods for Time Series with Synthetic Ground Truth
• Title（参考訳）: xaitimesynth: 合成接地真実を用いた時系列の属性評価のためのPythonパッケージ
• Authors: Gregor Baer,
• Abstract要約: 時系列評価のための再利用可能なインフラを提供するPythonパッケージであるxaitimesynthを紹介する。 xaitimesynthは加法モデルに従って合成時系列を生成する。 スケーラブルなデータ生成APIとYAML構成フォーマットにより、フレキシブルで再現可能なデータセット定義が可能になる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Evaluating time series attribution methods is difficult because real-world datasets rarely provide ground truth for which time points drive a prediction. A common workaround is to generate synthetic data where class-discriminating features are placed at known locations, but each study currently reimplements this from scratch. We introduce xaitimesynth, a Python package that provides reusable infrastructure for this evaluation approach. The package generates synthetic time series following an additive model where each sample is a sum of background signal and a localized, class-discriminating feature, with the feature window automatically tracked as a ground truth mask. A fluent data generation API and YAML configuration format allow flexible and reproducible dataset definitions for both univariate and multivariate time series. The package also provides standard localization metrics, including AUC-PR, AUC-ROC, Relevance Mass Accuracy, and Relevance Rank Accuracy. xaitimesynth is open source and available at https://github.com/gregorbaer/xaitimesynth.
• Abstract（参考訳）: 実世界のデータセットは、どの時点が予測を導くかの根拠となる真実をほとんど提供しないため、時系列帰属法の評価は困難である。 一般的な回避策は、クラス識別の特徴が既知の場所に置かれる合成データを生成することであるが、各研究は現在、これをゼロから再実装している。 この評価手法のための再利用可能なインフラを提供するPythonパッケージであるxaitimesynthを紹介する。 パッケージは、各サンプルが背景信号の合計であり、局所化されたクラス識別特徴である付加モデルに従って合成時系列を生成し、特徴ウィンドウは、グラウンド真理マスクとして自動的に追跡される。 スケーラブルなデータ生成APIとYAML構成フォーマットにより、単変量および多変量時系列のフレキシブルかつ再現可能なデータセット定義が可能になる。 また、AUC-PR、AUC-ROC、Relevance Mass Accuracy、Relevance Rank Accuracyなど、標準的なローカライゼーションメトリクスも提供する。 xaitimesynthはオープンソースでhttps://github.com/gregorbaer/xaitimesynthで入手できる。

関連論文リスト

• Fast, memory-efficient genomic interval tokenizers for modern machine learning [11.571506663357015]
  gtars-tokenizersは、ゲノム間隔を予め定義された宇宙や領域の語彙にマッピングするライブラリである。 gtars-tokenizersは2つの重複メソッド(BITSとAIList)を実装し、モダンなMLフレームワークとシームレスに統合する。 このトークンベースのアプローチは、ゲノミクスと機械学習をブリッジし、さまざまな環境にわたるインターバルデータのスケーラブルな分析をサポートする。
  論文  参考訳（メタデータ） (2025-11-03T13:18:36Z)
• MomentDiff: Generative Video Moment Retrieval from Random to Real [71.40038773943638]
  私たちは、MomentDiffという拡散に基づく生成フレームワークを提供しています。 MomentDiffは、ランダムなブラウジングから段階的なローカライゼーションまで、典型的な人間の検索プロセスをシミュレートする。 MomentDiffは3つの公開ベンチマークで最先端の手法を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2023-07-06T09:12:13Z)
• PyPOTS: A Python Toolkit for Machine Learning on Partially-Observed Time Series [20.491714178518155]
  PyPOTSは、データマイニングと分析のためのオープンソースのライブラリである。 5つのタスクに分類される多様なアルゴリズムに簡単にアクセスできる。 PyPOTSはPyPI、Anaconda、Dockerで利用できる。
  論文  参考訳（メタデータ） (2023-05-30T07:57:05Z)
• Wild-Time: A Benchmark of in-the-Wild Distribution Shift over Time [69.77704012415845]
  時間的シフトは、現実世界にデプロイされた機械学習モデルのパフォーマンスを著しく低下させる可能性がある。 ドメイン一般化、連続学習、自己教師付き学習、アンサンブル学習の手法を含む13の先行手法をベンチマークする。 いずれの評価方略も,分布外データから分布外データへの平均的な性能低下を観察する。
  論文  参考訳（メタデータ） (2022-11-25T17:07:53Z)
• Feature-Based Time-Series Analysis in R using the theft Package [0.0]
  時系列機能の集合を計算するための多くのオープンソースソフトウェアパッケージは、複数のプログラミング言語にまたがって存在している。 ここでは、これらの問題の解決策を、盗難と呼ばれるRソフトウェアパッケージに紹介する。
  論文  参考訳（メタデータ） (2022-08-12T07:29:29Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• Scikit-dimension: a Python package for intrinsic dimension estimation [58.8599521537]
  この技術ノートは、固有次元推定のためのオープンソースのPythonパッケージであるtextttscikit-dimensionを紹介している。 textttscikit-dimensionパッケージは、Scikit-learnアプリケーションプログラミングインターフェイスに基づいて、既知のID推定子のほとんどを均一に実装する。 パッケージを簡潔に記述し、実生活と合成データにおけるID推定手法の大規模(500以上のデータセット)ベンチマークでその使用を実証する。
  論文  参考訳（メタデータ） (2021-09-06T16:46:38Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)

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。