論文の概要: ConTex: Reformulating Counterfactual Generation For Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2606.18049v1
• Date: Tue, 16 Jun 2026 15:25:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.509522
• Title: ConTex: Reformulating Counterfactual Generation For Time Series Forecasting
• Title（参考訳）: ConTex: 時系列予測の非現実的生成の改革
• Authors: Jan Voets, Hasan Tercan, Tobias Meisen, Sebastian Baum,
• Abstract要約: ディープラーニングに基づく時系列予測による意思決定には、実用的な洞察が必要である。 Counterfactual Time Series Explanations (ConTex) は、時間的文脈エンコーダと条件付きエンコーダからなる、モデルに依存しない分解アーキテクチャである。 提案手法は,インスタンスワイズ生成と比較して計算コストを少なくとも12～36倍削減し,約0.007秒のリアルタイム推論をサポートする。
• 参考スコア（独自算出の注目度）: 11.467075353374478
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decision-making with deep learning-based time series forecasting requires not only accurate predictions but also actionable insights. However, current architectures do not inherently provide such information. Specifically, guidance is needed on how current conditions must be modified to shift from a predicted outcome to a desired future scenario. Counterfactual explanations provide a natural framework for this task, as they represent minimal input changes that alter the model's prediction, indicating when and how intervention is required. Existing approaches rely on instance-wise optimization, leading to inconsistency across instances, high computational costs, and limited applicability in real-time settings. To address these limitations, we reformulate counterfactual generation for time series forecasting as the problem of learning a globally consistent intervention strategy, allowing counterfactuals to be generated through a single shared function. We propose Counterfactual Time Series Explanations (ConTex), a model-agnostic, decomposed architecture comprising a temporal context encoder and a conditional encoder, followed by two heads that capture interventions in terms of temporal relevance and modification strength. This structure overcomes the instability and inconsistency of instance-based approaches by producing targeted, interpretable interventions across time and feature dimensions in a single forward pass, making it suitable for real-time applications. Across multiple forecasting architectures and benchmark datasets, ConTex achieves state-of-the-art validity while generating sparse counterfactuals that minimize the number of necessary interventions. Additionally, our approach reduces computational cost by at least 12-36x compared to instance-wise generation and supports real-time inference at approximately 0.007 seconds.
• Abstract（参考訳）: ディープラーニングに基づく時系列予測による意思決定には、正確な予測だけでなく、実行可能な洞察も必要である。 しかし、現在のアーキテクチャは本質的にそのような情報を提供していない。 具体的には、予測結果から望ましい将来のシナリオに移行するために、現在の状況をどのように修正する必要があるかについてガイダンスが必要である。 モデルの予測を変える最小限の入力変更を表現し、いつ、どのように介入する必要があるかを示す。 既存のアプローチはインスタンスの最適化に依存しており、インスタンス間の不整合、高い計算コスト、リアルタイム設定の適用性に制限がある。 これらの制約に対処するため,一貫した介入戦略を学習する問題として時系列予測のファクトファクト生成を再構成し,単一の共有機能を通じてファクトファクト生成を可能にする。 時間的文脈エンコーダと条件付きエンコーダから構成されるモデルに依存しない分解アーキテクチャであるConTexを提案する。 この構造は、インスタンスベースのアプローチの不安定性と不整合を克服し、単一のフォワードパスで時間と特徴次元をまたいだターゲット的かつ解釈可能な介入を生成し、リアルタイムアプリケーションに適している。 複数の予測アーキテクチャとベンチマークデータセットにまたがって、ConTexは最先端の妥当性を達成し、必要な介入の数を最小限に抑えるスパーズ・カウンティファクトを生成する。 さらに,本手法は,インスタンスワイズ生成と比較して計算コストを少なくとも12～36倍削減し,約0.007秒のリアルタイム推論をサポートする。

関連論文リスト

• What-If Explanations Over Time: Counterfactuals for Time Series Classification [5.590488178822208]
  カウンターファクトな説明は、説明可能なAIの強力なアプローチとして現れます。 本稿では, 最先端手法, インスタンスベース近辺手法, パターン駆動アルゴリズム, 勾配ベース最適化, 生成モデルについて概説する。 我々は、時間的コヒーレンス、可視性、動作可能な解釈可能性の維持など、時間的データに対する反事実生成におけるユニークな課題を強調した。
  論文  参考訳（メタデータ） (2026-03-29T18:06:23Z)
• IPatch: A Multi-Resolution Transformer Architecture for Robust Time-Series Forecasting [1.00150464907602]
  IPatchは、ポイントワイドおよびパッチワイドトークンを統合し、複数の解像度で時間情報をモデル化するマルチレゾリューショントランスフォーマーアーキテクチャである。 7つのベンチマークデータセットの実験では、IPatchは予測精度、ノイズ、様々な予測地平線を越えた一般化を一貫して改善している。
  論文  参考訳（メタデータ） (2026-03-25T11:31:32Z)
• A Lightweight Multi-View Approach to Short-Term Load Forecasting [44.00037058636877]
  時系列予測はエネルギー、金融、気象学といった分野における重要な課題である。 本稿では,単一値埋め込みと拡張時間範囲入力を利用する,短期負荷予測のための軽量なマルチビュー手法を提案する。
  論文  参考訳（メタデータ） (2026-02-09T21:43:42Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  時系列における不確実性定量化の問題を相関配列を利用して解決する。 共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• Generative Regression Based Watch Time Prediction for Short-Video Recommendation [36.95095097454143]
  短いビデオレコメンデーションシステムでは、時計の時間予測が重要なタスクとして現れている。 最近の研究は、連続時計時間推定を正規回帰タスクに変換することによって、これらの問題に対処しようとしている。 本稿では,WTPをシーケンス生成タスクとして再構成する新しい生成回帰(GR)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-28T16:48:55Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• IN-Flow: Instance Normalization Flow for Non-stationary Time Series Forecasting [38.4809915448213]
  固定統計量に依存しない時系列予測のための分離された定式化を提案する。 また、時系列変換のための新しい可逆ネットワークであるインスタンス正規化フロー(IN-Flow)を提案する。
  論文  参考訳（メタデータ） (2024-01-30T06:35:52Z)
• 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)

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。