論文の概要: INSIGHTS: Demonstration-Based Summaries of Time Series Predictors
- arxiv url: http://arxiv.org/abs/2605.18849v1
- Date: Wed, 13 May 2026 08:17:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:08.667003
- Title: INSIGHTS: Demonstration-Based Summaries of Time Series Predictors
- Title（参考訳）: INSIGHTs: 時系列予測器のデモベースのサマリ
- Authors: Bar Eini Porat, Rom Gutman, Uri Shalit, Ofra Amir,
- Abstract要約: 時系列モデルのグローバルな説明を提供するための,モデルに依存しないユーザ中心のアプローチであるINSIGHTSを紹介する。
我々のアプローチは、設計における単純さ、効率、透明性を優先し、ステークホルダーがそのアウトプットを簡単に適用できるようにします。
- 参考スコア（独自算出の注目度）: 10.537943094162754
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Explainability methods have progressed rapidly, but global explanations for time-series models remain underdeveloped, with most approaches focusing on local, instance-level attributions. We introduce INSIGHTS, a model-agnostic, user-centric approach for providing global explanations of time series models. Our approach prioritizes simplicity, efficiency, and transparency in its design, ensuring that stakeholders can readily adopt its outputs. While current methods focus on local explanations, INSIGHTS generates sample summaries that offer a comprehensive overview of model behavior. It balances the importance and diversity of time series samples to create informative subsets using utility functions that capture domain-specific aspects of time series behavior, such as exceeding domain norms. We evaluate INSIGHTS through experiments, interviews, and a user study. Our results indicate INSIGHTS effectively constructs comprehensive, diverse time series subsets, producing summaries manageable for individual evaluation. It is preferred by domain experts for its ability to provide a stable understanding of model behavior and the quality of the samples identified. Moreover, user study participants presented with INSIGHTS-based summaries exhibit an enhanced understanding of the model's overall behavior.
- Abstract（参考訳）: 説明可能性の手法は急速に進歩してきたが、時系列モデルのグローバルな説明はまだ未開発であり、ほとんどのアプローチはローカルなインスタンスレベルの属性に焦点を当てている。
時系列モデルのグローバルな説明を提供するための,モデルに依存しないユーザ中心のアプローチであるINSIGHTSを紹介する。
我々のアプローチは、設計における単純さ、効率、透明性を優先し、ステークホルダーがそのアウトプットを簡単に適用できるようにします。
現在の手法は局所的な説明に重点を置いているが、INSIGHTSはモデル動作の包括的な概要を提供するサンプル要約を生成する。
時系列サンプルの重要性と多様性のバランスをとり、ドメインノルムを超えるような時系列の振る舞いのドメイン固有の側面をキャプチャするユーティリティ関数を使って、情報的なサブセットを作成する。
実験,インタビュー,ユーザスタディを通じてINSIGHTSを評価した。
この結果から,INSIGHTSは包括的かつ多様な時系列サブセットを効果的に構築し,個々の評価のために管理可能な要約を生成することが示唆された。
モデルの振る舞いと識別されたサンプルの品質を安定的に理解する能力は、ドメインの専門家に好まれる。
さらに、INSIGHTSに基づく要約を提示したユーザスタディの参加者は、モデル全体の振る舞いの理解を深めている。
関連論文リスト
- INSHAPE: Instance-Level Shapelets for Interpretable Time-Series Classification [12.611616081807673]
INSHAPEは、各時系列に特有の、可変長で差別的な時間パターンを検出する、解釈可能なフレームワークである。
128 UCRと30 UEAベンチマークデータセットの実験では、INSHAPEは一貫して最先端のシェープレットベースの手法より優れている。
論文 参考訳（メタデータ） (2026-05-19T16:43:41Z) - It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks [87.7937890373758]
時系列基礎モデル(TSFM)は,特定のデータセットモデルから一般化可能なタスク評価に至るまで,予測環境に革命をもたらしている。
我々は、50の新しいデータセットと98の予測タスクからなる次世代タスク中心のベンチマークであるTIMEを紹介する。
静的なメタラベルに基づく従来のデータセットレベルの評価を超える新しいパターンレベルの評価視点を提案する。
論文 参考訳（メタデータ） (2026-02-12T16:31:01Z) - ProtoTS: Learning Hierarchical Prototypes for Explainable Time Series Forecasting [25.219624871510376]
本稿では,高精度かつ透明な意思決定を実現する新しい解釈可能な予測フレームワークであるProtoTSを提案する。
ProtoTSは、豊富な異種情報を保存する識別表現に基づいて、インスタンス-プロトタイプの類似性を計算する。
新たにリリースされたLOFデータセットを含む、複数の現実的なベンチマークの実験は、ProtoTSが予測精度の既存のメソッドを超えるだけでなく、専門家が選択可能な解釈を提供することを示している。
論文 参考訳（メタデータ） (2025-09-27T07:10:21Z) - Stochastic Encodings for Active Feature Acquisition [100.47043816019888]
Active Feature Acquisitionは、インスタンスワイドでシーケンシャルな意思決定問題である。
目的は、テストインスタンスごとに独立して、現在の観測に基づいて計測する機能を動的に選択することである。
一般的なアプローチは強化学習(Reinforcement Learning)であり、トレーニングの困難を経験する。
我々は、教師付きで訓練された潜在変数モデルを導入し、潜在空間における観測不能な実現の可能性の多くにまたがる特徴を推論することで獲得する。
論文 参考訳（メタデータ） (2025-08-03T23:48:46Z) - Evaluating Generalization and Representation Stability in Small LMs via Prompting, Fine-Tuning and Out-of-Distribution Prompts [2.377892000761193]
本稿では,小型言語モデルの2つの適応パラダイムに基づく一般化能力について検討する。
本研究は,小モデルが適応戦略の異なる知識を内在化し,一般化する過程において,重要な違いを呈するものである。
論文 参考訳（メタデータ） (2025-06-16T01:44:26Z) - Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。
我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。
提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
論文 参考訳（メタデータ） (2024-10-24T17:56:08Z) - Extracting Interpretable Local and Global Representations from Attention
on Time Series [0.135975510645475]
本稿では,局所的抽象化とグローバル表現を併用した2つのトランスフォーマーアテンションに基づく解釈可能性手法を提案する。
ローカルコンテキストとグローバルコンテキストを区別し、一般的な解釈オプションの両方に包括的なフレームワークを提供する。
論文 参考訳（メタデータ） (2023-09-16T00:51:49Z) - An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。
既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。
本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-07T06:50:27Z)
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。