Fugu-MT 論文翻訳(概要): Beyond Sufficiency: Time Series Explanation with Counterfactual Necessity

論文の概要: Beyond Sufficiency: Time Series Explanation with Counterfactual Necessity

arxiv url: http://arxiv.org/abs/2607.21573v1
Date: Thu, 23 Jul 2026 17:52:01 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-24 18:26:25.511612
Title: Beyond Sufficiency: Time Series Explanation with Counterfactual Necessity
Title（参考訳）: 十分を超える: 対実的必要性を伴う時系列説明
Abstract要約: 時系列説明に必要なフレームワークである textbfTimePNS を紹介する。パールの現実的必要性の概念にインスパイアされたTimePNSは、時間的要因が必要であるかどうかを評価する。合成および実世界の時系列ベンチマークの実験は、TimePNSが決定クリティカルなサブシーケンスをより正確に識別していることを示している。
参考スコア（独自算出の注目度）: 6.278581595285189
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Faithful explanations of time-series classifiers should identify subsequences that are not only sufficient to preserve a black-box model's prediction, but also necessary for maintaining it. However, existing sufficiency-oriented methods can assign high importance to spurious subsequences that support the prediction without being essential to the model's decision. We introduce \textbf{TimePNS}, a necessity-aware framework for time-series explanation. Inspired by Pearl's counterfactual notion of necessity, TimePNS assesses whether a temporal factor is necessary by intervening on it and measuring whether the original prediction is disrupted. The framework adopts a two-stage design. Stage I learns an identifiable causal generative process together with a sufficiency-oriented explanation mask. Stage II performs counterfactual interventions on temporal factors to derive necessity signals, which supervise a temporal gate that refines the initial explanation by suppressing non-essential components and emphasizing counterfactually necessary ones. Experiments on synthetic and real-world time-series benchmarks show that TimePNS more accurately identifies decision-critical subsequences and consistently improves sufficiency-necessity trade-offs over strong baselines.
Abstract（参考訳）: 時系列分類器の忠実な説明は、ブラックボックスモデルの予測を保持するのに十分であるだけでなく、それを維持するのにも必要であるサブシーケンスを特定するべきである。しかし、既存の十分指向の手法は、モデルの決定に欠かせないことなく予測を支援する刺激的なサブシーケンスに高い重要性を割り当てることができる。時系列説明に必要なフレームワークである \textbf{TimePNS} を紹介する。パールの対物的必要性の概念にインスパイアされたTimePNSは、時間的要因を介入し、元の予測が破壊されるかどうかを測定することによって、時間的要因が必要であるかどうかを評価する。このフレームワークは2段階の設計を採用している。ステージ1は、十分指向した説明マスクとともに、特定可能な因果生成過程を学ぶ。ステージIIは、必要信号を引き出すための時間的要因に対する反ファクト的介入を行い、これは、非必要成分を抑えることで最初の説明を洗練させる時間的ゲートを監督し、反ファクト的必要信号を強調する。合成および実世界の時系列ベンチマークの実験は、TimePNSが決定クリティカルなサブシーケンスをより正確に識別し、強いベースラインに対する十分必要トレードオフを一貫して改善していることを示している。

関連論文リスト

NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates [2.0320459617688793]
時系列予測モデルは、ハイテイクな設定で広く使われている。既存のポストホック法はしばしば時間的依存を無視し、地平線固有の説明を提供しない。本稿では,各予測地平線を時間的関係のある歴史的遅れに寄与させることで予測予測を説明するモデルに依存しない説明可能性フレームワークを提案する。
論文参考訳（メタデータ） (2026-08-25T19:14:12Z)
AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
AnchorMoEは、解釈可能な構成別分類フレームワークである。ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
論文参考訳（メタデータ） (2026-06-02T13:30:54Z)
From Prompts to Pavement Through Time: Temporal Grounding in Agentic Scene-to-Plan Reasoning [1.2777067998526854]
本研究は, エージェント間コミュニケーションにおける時間的条件付けが, 意味的・論理的一貫性の低下を伴わずにコヒーレンスを維持・強化できるかどうかを考察する。その結果,時間的条件付けは推論スタイルに反するが,標準NLPに基づく正当性測定では統計的に有意な改善は得られなかった。これらの結果から,プロンプトベースの時間的接地限界を明らかにし,時間的シーンから計画的推論のための最初の経験的基準を確立した。
論文参考訳（メタデータ） (2026-05-19T13:18:35Z)
Towards Anytime-Valid Statistical Watermarking [63.02116925616554]
我々は、任意の時間価推論で最適なサンプリングを統一する、最初のe-value-based watermarking frameworkであるAnchored E-Watermarkingを開発した。本フレームワークはサンプル効率を大幅に向上させ,最先端のベースラインに対して,検出に必要な平均トークン予算を13～15%削減する。
論文参考訳（メタデータ） (2026-02-19T18:32:26Z)
Interpretability in Deep Time Series Models Demands Semantic Alignment [19.12673689717747]
我々は、ディープ時系列モデルにおける解釈可能性について、セマンティックアライメントを追求すべきだと述べる。一度定着すると、意味的アライメントは時間的進化の下で保持されなければならない。我々は、セマンティックに整合したディープ時系列モデルのための青写真について概説し、信頼をサポートする特性を特定し、モデル設計への影響について議論する。
論文参考訳（メタデータ） (2026-02-02T15:48:30Z)
From Observations to States: Latent Time Series Forecasting [65.98504021691666]
本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
論文参考訳（メタデータ） (2026-01-30T20:39:44Z)
A Self-explainable Model of Long Time Series by Extracting Informative Structured Causal Patterns [22.54910673667678]
本稿では,解釈可能な時系列モデリングのための統合フレームワークEXCAPを提案する。 EXCAPは時間とともにスムーズで安定した説明を提供し、因果マスクの摂動に頑健であることを示す。これらの結果から、EXCAPは、医療や金融といった高額な領域に関係した、時系列の解釈可能なモデリングに対して、原則的かつスケーラブルなアプローチを提供することを示している。
論文参考訳（メタデータ） (2025-12-01T08:33:33Z)
SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
論文参考訳（メタデータ） (2025-10-22T16:11:22Z)
Accuracy Law for the Future of Deep Time Series Forecasting [65.46625911002202]
時系列予測は、部分的に観測可能で不確実な性質のため、本質的にゼロでない誤差の低い境界に直面する。本稿では、ディープ時系列予測の性能上限をどうやって推定するかという根本的な問題に焦点をあてる。新たに訓練された2,800以上の深層予測器の厳密な統計的テストに基づいて、深部モデルの最小予測誤差とウィンドウワイズ級数パターンの複雑さとの間に有意な指数関数的関係を見出した。
論文参考訳（メタデータ） (2025-10-03T05:18:47Z)
Self-Interpretable Time Series Prediction with Counterfactual Explanations [4.658166900129066]
解釈可能な時系列予測は、医療や自動運転といった安全上重要な分野において重要である。既存の手法の多くは、重要なスコアを時系列のセグメントに割り当てることで予測を解釈することに集中している。我々は,時系列予測のための非現実的かつ実用的な説明を生成する,CounTS(Counfactual Time Series)と呼ばれる自己解釈可能なモデルを開発した。
論文参考訳（メタデータ） (2023-06-09T16:42:52Z)
Interpretable Time-series Representation Learning With Multi-Level Disentanglement [56.38489708031278]
Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。 DTSは時系列の解釈可能な表現として階層的意味概念を生成する。 DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
論文参考訳（メタデータ） (2021-05-17T22:02:24Z)
Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。