論文の概要: L2GTX: From Local to Global Time Series Explanations

• arxiv url: http://arxiv.org/abs/2603.13065v1
• Date: Fri, 13 Mar 2026 15:14:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:12.150035
• Title: L2GTX: From Local to Global Time Series Explanations
• Title（参考訳）: L2GTX:ローカルからグローバルな時系列説明
• Authors: Ephrem Tibebe Mekonnen, Luca Longo, Lucas Rizzo, Pierpaolo Dondio,
• Abstract要約: クラスワイドなグローバルな説明を生成するモデルに依存しないフレームワークであるL2GTXを提案する。 我々は,L2GTXが局所的代理の忠実度の平均として測定された安定な大域的忠実度を維持しつつ,コンパクトで解釈可能な大域的説明を生成することを示す。
• 参考スコア（独自算出の注目度）: 1.189955933770711
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models achieve high accuracy in time series classification, yet understanding their class-level decision behaviour remains challenging. Explanations for time series must respect temporal dependencies and identify patterns that recur across instances. Existing approaches face three limitations: model-agnostic XAI methods developed for images and tabular data do not readily extend to time series, global explanation synthesis for time series remains underexplored, and most existing global approaches are model-specific. We propose L2GTX, a model-agnostic framework that generates class-wise global explanations by aggregating local explanations from a representative set of instances. L2GTX extracts clusters of parameterised temporal event primitives, such as increasing or decreasing trends and local extrema, together with their importance scores from instance-level explanations produced by LOMATCE. These clusters are merged across instances to reduce redundancy, and an instance-cluster importance matrix is used to estimate global relevance. Under a user-defined instance selection budget, L2GTX selects representative instances that maximise coverage of influential clusters. Events from the selected instances are then aggregated into concise class-wise global explanations. Experiments on six benchmark time series datasets show that L2GTX produces compact and interpretable global explanations while maintaining stable global faithfulness measured as mean local surrogate fidelity.
• Abstract（参考訳）: ディープラーニングモデルは時系列分類において高い精度を達成するが、クラスレベルの決定行動を理解することは依然として困難である。 時系列の説明は時間的依存関係を尊重し、インスタンス間で再帰するパターンを特定しなければなりません。 既存のアプローチは3つの制限に直面している: 画像と表データのために開発されたモデルに依存しないXAI手法は、容易に時系列に拡張できない、時系列のグローバルな説明合成は未探索であり、既存のグローバルアプローチはモデル固有である。 本稿では,L2GTXを提案する。L2GTXはモデルに依存しないフレームワークで,クラスワイドなグローバルな説明を生成する。 L2GTXは,LOMATCEが作成した事例レベルの説明から,傾向の増大や局所的過小評価などのパラメータ化イベントプリミティブのクラスタを抽出する。 これらのクラスタは冗長性を低減するためにインスタンス間でマージされ、グローバルな妥当性を推定するためにインスタンスクラスタの重要性行列が使用される。 ユーザ定義のインスタンス選択予算の下で、L2GTXは、影響力のあるクラスタのカバレッジを最大化する代表インスタンスを選択する。 選択されたインスタンスからのイベントは、簡潔なクラスワイドなグローバルな説明に集約される。 6つのベンチマーク時系列データセットの実験により、L2GTXはコンパクトで解釈可能なグローバルな説明を生成しつつ、局所的な代理フィリティの平均として測定された安定したグローバルな忠実性を維持することが示されている。

関連論文リスト

• GALACTIC: Global and Local Agnostic Counterfactuals for Time-series Clustering [9.33534873952683]
  本稿では,非教師付き時系列クラスタリングのための局所的およびグローバル的対実的説明性を橋渡しする,最初の統一フレームワークであるGALACTICを紹介する。 インスタンスレベル(ローカル)では、GALACTICはクラスタ認識最適化の目的を通じて摂動を生成する。 クラスタレベル(グローバル)では、認知負荷を軽減し、解釈可能性を高めるため、代表的なCE選択問題を定式化する。
  論文  参考訳（メタデータ） (2026-03-05T15:59:33Z)
• Wasserstein-Aligned Hyperbolic Multi-View Clustering [58.29261653100388]
  本稿では,マルチビュークラスタリングのための新しいWasserstein-Aligned Hyperbolic(WAH)フレームワークを提案する。 本手法はビュー固有の双曲エンコーダを用いて特徴をローレンツ多様体に埋め込んで階層的セマンティックモデリングを行う。
  論文  参考訳（メタデータ） (2025-12-10T07:56:19Z)
• Glocal Information Bottleneck for Time Series Imputation [70.41814118117311]
  Time Series Imputationは、時間データの欠落した値を復元することを目的としている。 既存のモデルは、通常、数値(ローカル情報)の回復に焦点をあてて、ポイントワイズ復元損失を最適化する。 我々はGlocal Information Bottleneck(Glocal-IB)という新たなトレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-06T15:24:44Z)
• Time-RA: Towards Time Series Reasoning for Anomaly with LLM Feedback [55.284574165467525]
  Time-RA(Time-Series Reasoning for Anomaly)は、時系列異常検出を生成的、推論集約的なタスクに変換する。 また,実世界のマルチモーダルベンチマークデータセットであるRATs40Kを導入する。
  論文  参考訳（メタデータ） (2025-07-20T18:02:50Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Context Neural Networks: A Scalable Multivariate Model for Time Series Forecasting [5.5711773076846365]
  実世界の時系列は、しばしば孤立して取得できない複雑な相互依存性を示す。 本稿では,時系列モデルに関連性のある文脈洞察を付加する,効率的な線形複雑化手法であるContext Neural Networkを紹介する。
  論文  参考訳（メタデータ） (2024-05-12T00:21:57Z)
• Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
  大規模未ラベルデータから学ぶための2つの戦略を提案する。 第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。 第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
  論文  参考訳（メタデータ） (2023-07-26T16:19:19Z)
• Visual Explanations with Attributions and Counterfactuals on Time Series Classification [15.51135925107216]
  グローバルな説明とローカルな説明のシームレスな遷移をサポートするビジュアル分析ワークフローを提案する。 グローバルな概要を生成するために、データに局所帰属法を適用し、データセット全体の説明を作成する。 さらに、モデル決定と潜在的なデータエラーを検査するために、What-if分析は仮説生成と検証を容易にする。
  論文  参考訳（メタデータ） (2023-07-14T10:01:30Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)
• Principles and Algorithms for Forecasting Groups of Time Series: Locality and Globality [0.5076419064097732]
  時系列の集合を局所的および大域的手法で予測する設定を定式化する。 グローバルモデルは以前考えられていたよりも幅広い問題に成功する可能性がある。 故意にこれらの原理から導かれるアルゴリズムは、精度が向上する。
  論文  参考訳（メタデータ） (2020-08-02T10:22:05Z)

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。