論文の概要: INSHAPE: Instance-Level Shapelets for Interpretable Time-Series Classification
- arxiv url: http://arxiv.org/abs/2605.20088v1
- Date: Tue, 19 May 2026 16:43:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:09.533244
- Title: INSHAPE: Instance-Level Shapelets for Interpretable Time-Series Classification
- Title（参考訳）: INSHAPE: 解釈可能な時系列分類のためのインスタンスレベルシェイプレット
- Authors: Seongjun Lee, Seokhyun Lee, Changhee Lee,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 12.611616081807673
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Discovering shapelets -- i.e., discriminative temporal patterns within time series -- has been widely studied to address the inherent complexity of time-series classification (TSC) and to make model decision-making processes more transparent. However, existing methods primarily focus on population-level shapelets optimized across the entire dataset, which leads to two fundamental limitations: (i) population-level patterns often misalign with instance-specific features, resulting in suboptimal performance and potentially misleading interpretations, and (ii) most methods treat shapelets as independent entities, overlooking important temporal dependencies and interactions among multiple patterns. To address these limitations, we propose INSHAPE, an interpretable TSC framework that discovers variable-length, discriminative temporal patterns specific to each time series. INSHAPE identifies these patterns as non-overlapping segments and models their temporal dependencies, thereby providing clear instance-level interpretations while achieving strong predictive performance. Furthermore, INSHAPE bridges local and global interpretability through a bottom-up approach, aggregating instance-level shapelets into prototypical (population-level) shapelets. Extensive experiments on 128 UCR and 30 UEA benchmark datasets show that INSHAPE consistently outperforms state-of-the-art shapelet-based methods while providing more intuitive and interpretable insights.
- Abstract（参考訳）: 時系列における識別的時間パターンの発見は、時系列分類(TSC)の本質的な複雑さに対処し、モデル決定プロセスをより透明にするために広く研究されている。
しかし、既存の手法は主にデータセット全体にわたって最適化された集団レベルのシェイプレットに焦点を当てており、これが2つの基本的な制限につながっている。
(i)集団レベルのパターンは、しばしばインスタンス固有の特徴と相違し、最適以下の性能と潜在的に誤解を招きかねない解釈をもたらす。
(II)ほとんどの手法は、重要な時間的依存関係や複数のパターン間の相互作用を見越して、シェイプレットを独立した実体として扱う。
これらの制約に対処するために、各時系列に特有の可変長の時間パターンを識別する解釈可能なTSCフレームワークであるINSHAPEを提案する。
INSHAPEはこれらのパターンを重複しないセグメントとして認識し、時間的依存をモデル化することで、強い予測性能を達成しつつ、明確なインスタンスレベルの解釈を提供する。
さらに、INSHAPEはボトムアップアプローチを通じて局所的および大域的解釈可能性をブリッジし、インスタンスレベルのシェイプレットを原型(人口レベルの)シェイプレットに集約する。
128 UCRと30 UEAベンチマークデータセットの大規模な実験によると、INSHAPEは、より直感的で解釈可能な洞察を提供しながら、最先端のシェープレットベースの手法を一貫して上回っている。
関連論文リスト
- INSIGHTS: Demonstration-Based Summaries of Time Series Predictors [10.537943094162754]
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。
論文 参考訳（メタデータ） (2026-05-13T08:17:35Z) - SPaRSe-TIME: Saliency-Projected Low-Rank Temporal Modeling for Efficient and Interpretable Time Series Prediction [0.0]
SPaRSe-TIME(サイト・英語)は、時系列を分解して3つの相補的なコンポーネント(サリエンシ、メモリ、トレンド)にモデル化するフレームワークである。
多様な実世界のデータセットの実験は、SPaRSe-TIMEが競合性能を達成することを示した。
全体として、SPaRSe-TIMEは、モノリシックシーケンスモデルの原則的な代替、ブリッジ効率、解釈可能性、パフォーマンスを提供し、時系列学習のためのスケーラブルなフレームワークを提供する。
論文 参考訳（メタデータ） (2026-04-19T09:55:28Z) - UniT: Unified Multimodal Chain-of-Thought Test-time Scaling [85.590774707406]
統一モデルは単一のアーキテクチャ内でマルチモーダル理解と生成の両方を扱うことができるが、通常は出力を反復的に書き換えることなく単一のパスで操作する。
マルチモーダルなテストタイムスケーリングのためのフレームワークであるUniTを導入し、単一の統一モデルで複数のラウンドをまたいだ推論、検証、精査を可能にします。
論文 参考訳（メタデータ） (2026-02-12T18:59:49Z) - 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) - ShapeX: Shapelet-Driven Post Hoc Explanations for Time Series Classification Models [111.27770361128056]
時系列を意味のあるシェープレット駆動セグメントに分割する革新的なフレームワークであるShapeXを紹介する。
ShapeXの中核にはShapelet Describe-and-Detectフレームワークがあり、分類に不可欠なさまざまなシェイプレットを効果的に学習する。
論文 参考訳（メタデータ） (2025-10-23T00:01:40Z) - Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。
HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。
このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
論文 参考訳（メタデータ） (2025-10-05T09:32:12Z) - 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) - On the Regularization of Learnable Embeddings for Time Series Forecasting [18.069747511100132]
時系列処理のための局所学習可能な埋め込みの学習を規則化する手法について検討する。
本研究では, 局所的・大域的パラメータの組込みによる共適応を防止する手法が, この文脈において特に有効であることを示す。
論文 参考訳（メタデータ） (2024-10-18T17:30:20Z) - ConvTimeNet: A Deep Hierarchical Fully Convolutional Model for Multivariate Time Series Analysis [7.979501926410114]
ConvTimeNetは時系列解析のために設計された階層的な純粋な畳み込みモデルである。
データ駆動方式で時間依存の基本単位の局所パターンを適応的に知覚する。
大規模なカーネル機構を使用して、畳み込みブロックが深く積み重ねられるようにする。
論文 参考訳（メタデータ） (2024-03-03T12:05:49Z) - On Data-Augmentation and Consistency-Based Semi-Supervised Learning [77.57285768500225]
最近提案された整合性に基づく半教師付き学習(SSL)手法は,複数のSSLタスクにおいて最先端技術である。
これらの進歩にもかかわらず、これらの手法の理解はまだ比較的限られている。
論文 参考訳（メタデータ） (2021-01-18T10:12:31Z)
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。