論文の概要: The Failures of Marginal Influence-Based Attribution Methods for Global Time Series Explanations

• arxiv url: http://arxiv.org/abs/2607.16236v1
• Date: Thu, 25 Jun 2026 19:40:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.049811
• Title: The Failures of Marginal Influence-Based Attribution Methods for Global Time Series Explanations
• Title（参考訳）: 大域的時系列説明におけるマルジナルインフルエンスに基づく帰属手法の失敗
• Abstract要約: このような手法の失敗モードはスカラー形式そのものではなく,基本的な計算ミスマッチであることが証明されている。 既存の方法は、境界条件付けまたはオフマンフォールド勾配によってスコアを計算し、どちらも自己相関の下で仲介されたものと直接時間的依存関係を分割する。 DAG-faithfulness も定義する: ある説明がDAG-faithful であるとは、それが符号化する時間依存グラフが、モデルによって暗黙的に学習された時間指向非巡回グラフ(DAG)と同値であるときにいう。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Explainability methods for time series models predominantly produce flat attribution scores: they quantify the direct influence of a feature at a timestamp by a scalar. We prove that the dominant failure mode of such methods is not the scalar format itself but a fundamental computational mismatch: existing methods compute scores via marginal conditioning or off-manifold gradients, both of which conflate direct temporal dependencies with mediated ones under autocorrelation. We also define DAG-faithfulness: an explanation is DAG-faithful if the temporal dependency graph it encodes is Markov-equivalent to the temporal directed acyclic graph (DAG) implicitly learned by the model. Particularly, we observe that standard attribution methods, specifically SHAP, are not DAG-faithful in general, and that recent time-series-aware extensions inherit the same computational limitation.
• Abstract（参考訳）: 時系列モデルの説明可能性法は、主に平らな属性スコアを生成し、スカラーによってタイムスタンプにおける特徴の直接的な影響を定量化する。 これらの手法はスカラー形式そのものではなく、基本的な計算ミスマッチであり、既存の手法は境界条件付けやオフマンド勾配によってスコアを計算し、両者は相互に相互依存関係を自己相関で表す。 DAG-faithfulness も定義する: ある説明がDAG-faithful であるとは、それが符号化する時間依存グラフが、モデルによって暗黙的に学習された時間指向非巡回グラフ(DAG)と同値であるときにいう。 特に、標準属性法、特にSHAPは一般にDAGに忠実でないこと、近年の時系列対応拡張が同じ計算制限を継承していることを観察する。

関連論文リスト

• Causal Discovery on Irregular Time Series [6.797750633873643]
  因果発見法は時間系において強い性能を示した。 多くの実世界のタスクは、不規則にサンプリングされたイベントストリームを扱う必要がある。 そこで本研究では,不規則な時系列を扱うためのPCMCI+の拡張を提案する。
  論文  参考訳（メタデータ） (2026-07-20T17:57:45Z)
• Global Explanations for Multivariate Time Series Forecasting Models via $K$-Order Markov Approximations [0.0]
  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。
  論文  参考訳（メタデータ） (2026-06-25T23:09:03Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• FreDF: Learning to Forecast in the Frequency Domain [54.2091536822376]
  時系列モデリングは、歴史的データと将来のシーケンスの両方における自己相関による固有の課題を提示する。 本稿では,周波数領域の予測学習によりラベル自己相関を緩和する周波数強調直接予測(FreDF)を提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:23:41Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• BayesDAG: Gradient-Based Posterior Inference for Causal Discovery [30.027520859604955]
  マルコフ・チェイン・モンテカルロと変分推論を組み合わせたスケーラブルな因果探索フレームワークを提案する。 本手法では,DAG正則化を必要とせず,直接後部からDAGを採取する。 我々は、置換に基づくDAG学習に新しい等価性をもたらし、置換によって定義された緩和された推定器を使用する可能性を開く。
  論文  参考訳（メタデータ） (2023-07-26T02:34:13Z)
• 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)
• Realization of Causal Representation Learning to Adjust Confounding Bias in Latent Space [28.133104562449212]
  因果DAG (Directed Acyclic Graphs) は通常、2次元平面において考慮される。 本稿では,変数の値がもはや時間スタンプに依存しておらず,時系列を軸と見なすことができるEmphdo-DAGとして因果DAGを再定義する。
  論文  参考訳（メタデータ） (2022-11-15T23:35:15Z)

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。