論文の概要: Scaling Time Series Classification via XAI-Driven Data Reduction

• arxiv url: http://arxiv.org/abs/2607.15774v2
• Date: Wed, 22 Jul 2026 11:50:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 14:36:03.340576
• Title: Scaling Time Series Classification via XAI-Driven Data Reduction
• Title（参考訳）: XAI駆動型データリダクションによる時系列分類のスケーリング
• Abstract要約: drXAIは、時系列分類における効率的なデータ削減のためのXAI属性メソッドを再利用する新しい手法である。 この結果から,XAIを解釈可能性だけでなく,時系列解析における機能選択や拡張性のための堅牢なツールとして活用することのメリットが示唆された。
• 参考スコア（独自算出の注目度）: 1.6822770693792821
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Explainable AI (XAI) for time series has seen significant algorithmic growth, but its utility in providing measurable performance gains for downstream tasks remains under-explored. This paper bridges this gap by introducing drXAI, a novel methodology that repurposes XAI attribution methods for effective data reduction in Time Series Classification (TSC). The core challenge in modern TSC is scalability; state-of-the-art models, such as Transformers, exhibit quadratic complexity relative to sequence length and linear complexity relative to the number of channels. This renders them computationally prohibitive for massive datasets. drXAI addresses this by using a fast, GPU-accelerated classifier (Hydra) to generate local attributions. We aggregate these into global feature importance scores and employ an automated elbow-cut heuristic to select the most salient features without requiring manual thresholds. We evaluate our approach on both synthetic and real-world univariate and multivariate datasets. On synthetic benchmarks, drXAI successfully recovers ground-truth features where traditional baselines fail. On real-world data, drXAI achieves between 80% and 90% data reduction while maintaining classification accuracy comparable to models trained on the full dataset. Most importantly, we show that drXAI allows resource-intensive models like ConvTran to scale to datasets that were previously inaccessible due to memory constraints. Our results show the benefits of using XAI not just for interpretability, but as a robust tool for feature selection and scalability in time series analysis. All our code and data are openly available.
• Abstract（参考訳）: 時系列用の説明可能なAI(XAI)は、アルゴリズム的な成長が著しいが、下流タスクの計測可能なパフォーマンス向上を実現するための実用性は、まだ未定である。 本稿では、時系列分類(TSC)における効率的なデータ削減のためのXAI属性手法を再利用した新しい手法であるDrXAIを導入することにより、このギャップを埋める。 トランスフォーマーのような最先端のモデルでは、シーケンス長とチャネル数に対して2次的な複雑性を示す。 これにより、巨大なデータセットに対して計算的に禁止される。 drXAIは、高速でGPUアクセラレーションされた分類器(Hydra)を使用して、ローカル属性を生成することでこの問題に対処する。 我々はこれらをグローバルな特徴重要度スコアに集約し、手動の閾値を必要とせず、最も健全な特徴を選択するために自動肘切りヒューリスティックを使用する。 合成および実世界の単変量データセットと多変量データセットの両方に対するアプローチを評価した。 合成ベンチマークでは、DrXAIは従来のベースラインが失敗する地道的な特徴を回復することに成功した。 実世界のデータでは、drXAIは、完全なデータセットでトレーニングされたモデルに匹敵する分類精度を維持しながら、80%から90%のデータ削減を達成する。 最も重要なことは、DrXAIがConvTranのようなリソース集約モデルに対して、メモリ制約のためにこれまでアクセス不能だったデータセットへのスケールを可能にすることです。 この結果から,XAIを解釈可能性だけでなく,時系列解析における機能選択や拡張性のための堅牢なツールとして活用することのメリットが示唆された。 私たちのコードとデータは、すべて公開されています。

関連論文リスト

• Bar-JEPA: Extracting Values from Bar Chart with Joint-Embedding Predictive Architecture [50.95839069602553]
  バーチャートはデータ視覚化によく使われており、人間によって容易に理解されるが、基礎となるデータを抽出することは自明ではない。 そこでは、JEPAエンコーダを使用して、セマンティックにリッチな潜在機能を生成する。 このモデルとエンド・ツー・エンド・エンドの教師付きベースラインを比較すると, 自己教師付き微調整の有効性と抽出特徴の品質が明らかになる。
  論文  参考訳（メタデータ） (2026-08-06T14:07:26Z)
• DataClaw0: Agentic Tailoring Multimodal Data from Raw Streams [48.434767119224375]
  本稿ではエージェントデータ処理へのパラダイムシフトを提案する。 このような高次の能力をトレーニングする際のデータ不足のボトルネックを克服するために、2段階のパイプラインを設計する。 $textDataClaw_0$-9B モデルは、グループ相対ポリシー最適化によるスーパービジョンファインチューニングをシナジする。
  論文  参考訳（メタデータ） (2026-06-19T11:31:43Z)
• A Sobering Look at Tabular Data Generation via Probabilistic Circuits [20.66441498486505]
  タブラルデータはテキストや画像よりも生成が難しい。 拡散ベースのモデルは現在の最先端(SotA)モデルクラスである。 ディープ確率回路(PC)は、コストのごく一部でSotAモデルに競争力または優れた性能を提供する。
  論文  参考訳（メタデータ） (2026-03-24T10:01:28Z)
• Scaling Transformer-Based Novel View Synthesis Models with Token Disentanglement and Synthetic Data [53.040873127309766]
  本稿では,トランスアーキテクチャ内でのトークンのアンタングル化プロセスを提案し,特徴分離を向上し,より効果的な学習を実現する。 提案手法は,データセット内およびデータセット間の評価において,既存のモデルよりも優れる。
  論文  参考訳（メタデータ） (2025-09-08T17:58:06Z)
• TD3: Tucker Decomposition Based Dataset Distillation Method for Sequential Recommendation [50.23504065567638]
  本稿では,メタラーニングフレームワークにおける textbfDataset textbfDistillation 手法である textbfTD3 を紹介する。 TD3は、オリジナルのデータから完全に表現力のある合成配列の要約を蒸留する。 拡張技術により、学習者は合成要約を忠実に適合させ、アンプループでの正確な更新を確実にすることができる。
  論文  参考訳（メタデータ） (2025-02-05T03:13:25Z)
• Context Matters: Query-aware Dynamic Long Sequence Modeling of Gigapixel Images [4.3565203412433195]
  ワイルスライド画像 (WSI) 解析は, ギガピクセル画像のパッチ数が膨大であるため, 計算上の課題が顕著である。 本稿では,クエリ対応の長期コンテキスト動的モデリングフレームワークであるQuerentを提案する。 提案手法は, 微粒なパッチ相関をモデル化するためのグローバルな認識を保ちながら, 計算オーバーヘッドを劇的に低減する。
  論文  参考訳（メタデータ） (2025-01-31T09:29:21Z)
• Classification of Raw MEG/EEG Data with Detach-Rocket Ensemble: An Improved ROCKET Algorithm for Multivariate Time Series Analysis [0.0]
  本稿では,脳波やMEGなどの高次元データを扱うための新しいROCKETアルゴリズムであるDetach-Rocket Ensembleを提案する。 我々のアルゴリズムはプルーニングを利用してチャネルの重要度を総合的に推定し、より正確な精度とラベルの確率を与える。 Detach-Rocket Ensembleは、生の脳データに直接適用しても、解釈可能なチャネル関連性と競合する分類精度の両方を提供できることを示す。
  論文  参考訳（メタデータ） (2024-08-05T18:24:09Z)
• RU-AI: A Large Multimodal Dataset for Machine-Generated Content Detection [11.265512559447986]
  本稿では,テキスト,画像,音声中の機械生成コンテンツを堅牢かつ効果的に検出するための大規模マルチモーダルデータセットであるRU-AIを紹介する。 私たちのデータセットは、Flickr8K、COCO、Places205という3つの大きな公開データセットに基づいて構築されています。 その結果,既存のモデルでは,データセットの正確かつ堅牢な検出に苦慮していることが明らかとなった。
  論文  参考訳（メタデータ） (2024-06-07T12:58:14Z)
• Time Series Representation Models [2.724184832774005]
  時系列解析は、そのスパース特性、高次元性、一貫性のないデータ品質のため、依然として大きな課題である。 近年のトランス技術の発展により,予測や計算能力が向上している。 イントロスペクションに基づく時系列解析のための新しいアーキテクチャ概念を提案する。
  論文  参考訳（メタデータ） (2024-05-28T13:25:31Z)
• MADS: Modulated Auto-Decoding SIREN for time series imputation [9.673093148930874]
  我々は,暗黙のニューラル表現に基づく時系列計算のための新しい自動デコードフレームワークMADSを提案する。 実世界の2つのデータセット上で本モデルを評価し,時系列計算における最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-03T09:08:47Z)
• Optimizing Explanations by Network Canonization and Hyperparameter Search [74.76732413972005]
  ルールベースで修正されたバックプロパゲーションXAIアプローチは、モダンなモデルアーキテクチャに適用される場合、しばしば課題に直面します。 モデルカノン化は、基礎となる機能を変更することなく問題のあるコンポーネントを無視してモデルを再構成するプロセスである。 本研究では、一般的なディープニューラルネットワークアーキテクチャに適用可能な、現在関連するモデルブロックのカノン化を提案する。
  論文  参考訳（メタデータ） (2022-11-30T17:17:55Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)

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。