論文の概要: Global Explanations for Multivariate Time Series Forecasting Models via $K$-Order Markov Approximations

• arxiv url: http://arxiv.org/abs/2606.27599v1
• Date: Thu, 25 Jun 2026 23:09:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.325335
• Title: Global Explanations for Multivariate Time Series Forecasting Models via $K$-Order Markov Approximations
• Title（参考訳）: K$-次マルコフ近似による多変量時系列予測モデルの大域的説明
• Abstract要約: 我々は,マルコフ代理モデルを構築し,時系列予測器を説明する手法であるBeijingtextscKARMAを紹介する。 我々のアプローチは3つの主な側面を巻き起こす: モデルに十分である最小の履歴長$K$を同定する。 また、KARMAが制御実験により学習したデータ因果構造を復元する、既知の真の因果エッジを持つ複雑な合成データを用いて認証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While many explainable AI (XAI) methods have been proposed, most are not designed for time-series forecasting models and often rely on the implicit assumption that timestamp features are independent. This assumption ignores the fundamental property of temporal dependence and can lead to explanations that violate the sequential and causal structure of the data. We introduce \textsc{KARMA}, a method for explaining time-series predictors by constructing a Markov surrogate model that captures the temporal dependencies learned by the predictor. Our approach revolves around three main aspects: identifying the minimal history length $K$ that is predictively sufficient for the model, estimating the best-fitting $K$-order Markov transition kernel from the discretized history space, and a five-level global explanation hierarchy that can be derived from the Markov transition kernel, which we illustrate using real-world weather data (Beijing PM 2.5). We also certify using complex synthetic data with known true causal edges that KARMA (i) recovers the data causal structure as learned by the model via a controlled experiment and (ii) identifies temporal dependencies better than established attribution methods such as TimeSHAP.
• Abstract（参考訳）: 多くの説明可能なAI(XAI)手法が提案されているが、そのほとんどは時系列予測モデルのために設計されておらず、タイムスタンプ機能は独立しているという暗黙の仮定に依存していることが多い。 この仮定は時間的依存の基本的な性質を無視し、データの逐次的および因果的構造に反する説明につながる可能性がある。 本稿では,予測器が学習した時間依存性をキャプチャするマルコフ代理モデルを構築することにより,時系列予測器を説明する手法であるtextsc{KARMA}を紹介する。 提案手法は3つの主要な側面から展開する: 最小履歴長$K$, モデルに十分な予測値である$K$, 離散化された歴史空間から最も適した$K$-order Markovトランジションカーネルを推定し, 実世界の気象データ(北京PM 2.5)を用いて、マルコフトランジションカーネルから導出可能な5段階のグローバルな説明階層をモデル化する。 我々はまた、KARMAが既知の真の因果エッジを持つ複雑な合成データを用いて認証する。 一 制御実験により、モデルにより学習したデータ因果構造を復元し、 (II)TimeSHAPなどの既存の属性手法よりも時間的依存関係が良好である。

関連論文リスト

• ARIES: Relation Assessment and Model Recommendation for Deep Time Series Forecasting [54.57031153712623]
  ARIESは時系列特性とモデリング戦略の関係を評価するためのフレームワークである。 実世界の時系列に解釈可能な提案を提供することのできる,最初の深層予測モデルレコメンデータを提案する。
  論文  参考訳（メタデータ） (2025-09-07T13:57:14Z)
• Learning Pattern-Specific Experts for Time Series Forecasting Under Patch-level Distribution Shift [51.01356105618118]
  時系列はしばしば、季節、動作条件、意味的な意味など、セグメントごとに異なるパターンを持つ複雑な非一様分布を示す。 既存のアプローチでは、通常、これらのさまざまなパターンをキャプチャするために単一のモデルをトレーニングするが、しばしばパッチ間のパターンのドリフトに苦労する。 より正確で適応可能な時系列予測にパターン特化の専門家を活用する新しいアーキテクチャであるTFPSを提案する。
  論文  参考訳（メタデータ） (2024-10-13T13:35:29Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
  チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。 我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
  論文  参考訳（メタデータ） (2023-04-07T15:17:48Z)
• Information Theory Inspired Pattern Analysis for Time-series Data [60.86880787242563]
  時系列データのパターンを識別・学習するために,情報理論に基づく特徴量を用いた高度に一般化可能な手法を提案する。 状態遷移を持つ応用では、シャノンのマルコフ鎖のエントロピー、マルコフ鎖のエントロピー率、マルコフ鎖のフォン・ノイマンエントロピーに基づいて特徴が展開される。 その結果,提案した情報理論に基づく特徴は,ベースラインモデルと比較して,リコール率,F1スコア,平均精度を最大23.01%向上させることがわかった。
  論文  参考訳（メタデータ） (2023-02-22T21:09:35Z)
• An Interpretable and Efficient Infinite-Order Vector Autoregressive Model for High-Dimensional Time Series [1.4939176102916187]
  本稿では,高次元時系列に対する新しいスパース無限次VARモデルを提案する。 このモデルによって得られたVARMA型力学の時間的・横断的な構造は別々に解釈できる。 統計的効率と解釈可能性の向上は、時間的情報をほとんど失わずに達成できる。
  論文  参考訳（メタデータ） (2022-09-02T17:14:24Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• Partially Hidden Markov Chain Linear Autoregressive model: inference and forecasting [0.0]
  体制の変化にともなう時系列は、エコノメトリー、金融、気象学といった領域に多くの関心を集めている。 i) そのような時系列に関連する状態過程は、部分的に隠れたマルコフチェーン(PHMC)によってモデル化される。 本研究では,存在時の観測状態を考慮した隠れ状態推定手法と予測関数を提案する。
  論文  参考訳（メタデータ） (2021-02-24T22:12:05Z)
• Feature Importance Explanations for Temporal Black-Box Models [3.655021726150369]
  自然界に固有の時間的モデルを説明する手法であるTIMEを提案する。 我々のアプローチは,グローバルな特徴の重要度を分析するために,モデルに依存しない置換に基づくアプローチを用いる。
  論文  参考訳（メタデータ） (2021-02-23T20:41:07Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Variational Conditional Dependence Hidden Markov Models for Skeleton-Based Action Recognition [7.9603223299524535]
  本稿では、時間変化の時間依存性パターンをキャプチャする問題に対処するために、従来の逐次モデリング手法を再検討する。 我々は、過去のフレームへの依存を動的に推定するHMMの異なる定式化を提案する。 フォワード・バックワード・アルゴリズムに基づく抽出可能な推論アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-02-13T23:18:52Z)

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。