論文の概要: Challenges of Explainability in Continual Learning for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2607.19382v1
• Date: Wed, 01 Jul 2026 08:35:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.144511
• Title: Challenges of Explainability in Continual Learning for Time Series Forecasting
• Title（参考訳）: 時系列予測における連続学習における説明可能性の課題
• Abstract要約: 適応時系列予測における連続学習の理解の中心的ツールとしての説明可能性について検討する。 説明性は、注意ロールアウトと勾配に基づく属性法によって活用される。 本研究は,持続的な学習行動を理解するために説明可能性を利用することの課題と機会を強調した。
• 参考スコア（独自算出の注目度）: 0.9949801888214528
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models have shown strong potential for time series forecasting, yet their deployment in real-world environmental monitoring remains challenging due to non-stationary dynamics and limited explainability. In this work, we investigate explainability as a central tool for understanding continual learning in adaptive time series forecasting, with Experience Replay strategies. We study neural forecasting architectures such as PatchMixer, PatchTST and DLinear, augmented with attention-based sampling mechanisms to support model adaptation over time. Explainability is leveraged through attention rollout and gradient-based attribution methods (Grad-CAM) to analyze both predictive behavior and sampling strategies within a continual learning framework. Experiments conducted on real-world piezometric time series exhibiting heterogeneous patterns and regime shifts show that analyzing model and sampling behaviors provides valuable insights into the dynamics of the continual learning framework. Beyond predictive performance, our results highlight the challenges and opportunities of using explainability to understand continual learning behaviors, revealing how attribution patterns evolve over time and how they can inform data selection and adaptation strategies in non-stationary forecasting scenarios.
• Abstract（参考訳）: ディープラーニングモデルは時系列予測に強い可能性を示しているが、非定常力学と限定的な説明可能性のため、実際の環境モニタリングへの展開は依然として困難である。 本研究では,適応型時系列予測における連続学習の理解のための中心的ツールとしての説明可能性について,経験的再生戦略を用いて検討する。 PatchMixer, PatchTST, DLinearなどのニューラル予測アーキテクチャについて検討し, 時間とともにモデル適応をサポートするために, 注意に基づくサンプリング機構を付加した。 注意ロールアウトと勾配に基づく帰属法(Grad-CAM)を用いて、連続学習フレームワークにおける予測行動とサンプリング戦略の両方を分析する。 ヘテロジニアスパターンとレジームシフトを示す実世界のピエゾメトリック時系列で実施された実験は、モデル解析とサンプリングの振る舞いが連続学習フレームワークのダイナミクスに関する貴重な洞察を提供することを示している。 予測性能以外にも、連続的な学習行動を理解するために説明可能性を使うことの課題と機会を強調し、帰属パターンが時間とともにどのように進化するか、非定常予測シナリオにおけるデータ選択と適応戦略をどう通知するかを明らかにした。

関連論文リスト

• A Survey on Self-Improving Test-Time Intelligence: Feedback-Driven Adapting, Learning, and Scaling at Inference [72.19201465132619]
  このようなデプロイメント時間の改善を理解するための統一的な視点として,フィードバック駆動型テスト時間インテリジェンス(TTI)を提案する。 この視点は、テスト時適応、テスト時学習、テスト時スケーリングに関連するもので、ハイブリッドシステムにおけるそれらの相違点と相違点の両方を強調します。 私たちの目標は、テスト時に自己改善型AIシステムを研究するための、一貫性のある基礎と研究ロードマップを提供することです。
  論文  参考訳（メタデータ） (2026-09-01T11:41:39Z)
• Attention-based Experience Replay Framework for Continual Learning of Agnostic Time Series Forecasting Models [0.9668407688201359]
  連続学習は、計算制約下での安定性と可塑性のバランスを維持しつつ、漸進的に適応可能なモデルを開発することを目的としている。 本稿では,既存の静的予測モデルの拡張を目的とした連続時系列予測のための新しいフレームワークを提案する。 その結果,再トレーニングコストとデータ要求を低減しつつ,予測性能を時間とともに効果的に向上または維持することを示す。
  論文  参考訳（メタデータ） (2026-06-12T11:44:05Z)
• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• Model-Based Reinforcement Learning for Control under Time-Varying Dynamics [40.96573079787976]
  時間変動力学下での制御のための強化学習について検討する。 適応型データバッファ機構を用いた実用的な楽観的モデルベース強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-04-02T16:52:59Z)
• Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting [49.05788441962762]
  エージェント時系列予測(ATSF)は,認識,計画,行動,反射,記憶からなるエージェントプロセスとして再編成される。 ワークフローに基づく設計、エージェント強化学習、ハイブリッドエージェントワークフローパラダイムという3つの代表的な実装パラダイムを概説し、モデル中心の予測からエージェント予測に移行する際に生じる機会と課題について議論する。
  論文  参考訳（メタデータ） (2026-02-02T08:01:11Z)
• Characteristic Root Analysis and Regularization for Linear Time Series Forecasting [9.254995889539716]
  時系列予測は多くの領域において重要な課題である。 近年の研究では、単純な線形モデルの驚くほどの競争性が強調されている。 本稿では時間力学における特性根の役割に焦点を当てる。
  論文  参考訳（メタデータ） (2025-09-28T03:06:30Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Robust Multi-Modal Forecasting: Integrating Static and Dynamic Features [0.0]
  時系列予測は様々な応用、特に医療において重要な役割を担っている。 これらのタスクに責任を負うモデルの透明性と説明可能性を保証することは、重要な設定で採用するために不可欠である。 最近の研究は、予測時系列の傾向と特性を理解することに焦点を当てた、双方向透明性に対するトップダウンアプローチを探求している。
  論文  参考訳（メタデータ） (2025-05-21T04:12:12Z)
• iTFKAN: Interpretable Time Series Forecasting with Kolmogorov-Arnold Network [29.310194531870323]
  信頼性のある時系列予測のための新しい解釈可能なモデルiTFKANを提案する。 iTFKANは、モデルシンボル化によって達成される解釈可能性により、モデル決定の論理と基礎となるデータパターンのさらなる探索を可能にする。
  論文  参考訳（メタデータ） (2025-04-23T05:34:49Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。