論文の概要: Information Bottleneck Learning for Faithful Time Series Forecasting Explanations

• arxiv url: http://arxiv.org/abs/2607.28124v1
• Date: Thu, 30 Jul 2026 12:33:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.552714
• Title: Information Bottleneck Learning for Faithful Time Series Forecasting Explanations
• Title（参考訳）: 忠実時系列予測記述のためのインフォメーション・ボトルネック学習
• Authors: Xu Zheng, Wei Cheng, Zhuomin Chen, Mo Sha, Jingchao Ni, Dongsheng Luo,
• Abstract要約: IB-Forecastは本質的に解釈可能な多変量時系列予測フレームワークである。 予測を学習周期成分と、入力トークン上の説明可能なマスクで計算された残留成分に分解する。 予算制約のある情報ボトルネックにより、エンド・ツー・エンドの最適化により、ユーザーは説明の間隔を直接制御できる。
• 参考スコア（独自算出の注目度）: 26.577036929886486
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As forecasts increasingly drive decisions in fields such as energy, transportation, and healthcare, understanding the historical data behind these predictions has become as crucial as the predictions themselves. Although existing interpretable-by-design forecasters reveal their internal structures, they offer no guarantee that these structures faithfully reflect the underlying evidence driving the predictions. In contrast, while faithfulness-oriented methods explicitly verify model behavior, they are almost exclusively designed for post-hoc classification tasks. To bridge this gap, we propose IB-Forecast, an inherently interpretable multivariate time-series forecasting framework. It decomposes forecasting into a learned periodic component and a residual component computed with explainable masks over input tokens. With a budget-constrained information bottleneck, end-to-end optimization enables users to directly control explanation sparsity. With a rigorous faithfulness evaluation protocol, extensive experiments demonstrate that IB-Forecast matches the forecasting error of leading black-box models while providing faithful explanations at no additional inference cost. Furthermore, under a matched sparsity budget, these native explanations consistently surpass gradient-based, occlusion-based, and optimization-based baselines across all evaluated datasets. Ultimately, whereas the native explanations of existing interpretable forecasters exhibit poor faithfulness, IB-Forecast guarantees high explanation fidelity, requiring only 14-20% of the observations to deliver low-error predictions.
• Abstract（参考訳）: 予測がエネルギー、輸送、医療などの分野における決定をますます推進するにつれて、これらの予測の背後にある歴史的データを理解することは、予測そのものと同じくらい重要になっている。 既存の解釈可能な設計予測器は内部構造を明らかにするが、これらの構造が予測を導く基礎的な証拠を忠実に反映する保証はない。 対照的に、忠実度指向の手法はモデル動作を明示的に検証するが、それらは主にポストホック分類タスクのために設計されている。 このギャップを埋めるために、本質的に解釈可能な多変量時系列予測フレームワークであるIB-Forecastを提案する。 予測を学習周期成分と、入力トークン上の説明可能なマスクで計算された残留成分に分解する。 予算制約のある情報ボトルネックにより、エンド・ツー・エンドの最適化により、ユーザーは説明の間隔を直接制御できる。 厳密な忠実度評価プロトコルを用いて、IB-Forecastは主要なブラックボックスモデルの予測誤差と一致し、追加の推論コストで忠実な説明を提供する。 さらに、一致したスパーシリティ予算の下では、これらのネイティブ説明は、すべての評価データセットにわたって勾配ベース、閉塞ベース、最適化ベースラインを一貫して超越している。 最終的に、既存の解釈可能な予測器のネイティブな説明は不信感を示すが、IB-Forecastは高い説明の忠実さを保証し、低エラー予測を行うには観測の14-20%しか必要としない。

関連論文リスト

• 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)
• Faithful and Interpretable Explanations for Complex Ensemble Time Series Forecasts using Surrogate Models and Forecastability Analysis [1.5751034894694789]
  本稿では,精度と解釈可能性のギャップを埋めるサロゲートに基づく説明手法を開発する。 スペクトル予測可能性分析を統合し,各系列固有の予測可能性の定量化を行う。 結果として得られるフレームワークは、最先端のアンサンブル予測に対する解釈可能なインスタンスレベルの説明を提供する。
  論文  参考訳（メタデータ） (2025-10-09T18:49:45Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• Robust Conformal Prediction Using Privileged Information [17.886554223172517]
  本研究では,トレーニングデータの破損に対して堅牢な,保証されたカバレッジ率で予測セットを生成する手法を開発した。 我々のアプローチは、i.d仮定の下で有効となる予測セットを構築するための強力なフレームワークである共形予測に基づいている。
  論文  参考訳（メタデータ） (2024-06-08T08:56:47Z)
• Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
  本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。 ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。 以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-10-12T08:51:59Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)

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。