論文の概要: NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates

• arxiv url: http://arxiv.org/abs/2608.25080v1
• Date: Tue, 25 Aug 2026 19:14:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.419633
• Title: NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates
• Title（参考訳）: NVExplain: 潜在軌道解析と構造保存サロゲートによる時系列予測の解説
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.0320459617688793
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting models are widely used in high-stakes settings, yet their predictions remain difficult to interpret because existing post-hoc methods often ignore temporal dependence and fail to provide horizon-specific explanations. We propose a model-agnostic explainability framework that explains forecasting predictions by attributing each forecast horizon to temporally relevant historical lags. The framework models forecasting as a latent trajectory and introduces semantic flow to quantify how information evolves across time in the model's internal representations. By aggregating semantic flow, it constructs a lag-horizon attribution matrix that captures horizon-resolved temporal influence. To improve explainability, we further generate structure-preserving perturbations and fit sparse local surrogate models, producing human-readable and temporally coherent explanations. We evaluate the method using faithfulness and stability diagnostics across multiple benchmark datasets. Results show that the semantic-flow variant achieves competitive or superior faithfulness compared to standard post-hoc baselines, while being substantially more computationally efficient. Stability analysis further demonstrates that the explanations are robust and identifies regimes where interpretation should be applied with caution.
• Abstract（参考訳）: 時系列予測モデルは高い状況下で広く使われているが、既存のポストホック法では時間的依存を無視することが多く、地平線固有の説明が得られないため、その予測は解釈が難しいままである。 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。 フレームワークは予測を潜在軌道としてモデル化し、モデルの内部表現で時間をかけて情報がどのように進化するかを定量化するセマンティックフローを導入する。 セマンティックフローを集約することにより、水平に解決された時間的影響を捉えるラグ-水平属性行列を構築する。 説明可能性を向上させるために,我々は,構造保存摂動とスパース局所サロゲートモデルに適合する構造保存摂動を更に生成し,人間の可読性および時間的コヒーレントな説明を生成する。 複数のベンチマークデータセットにまたがる信頼度と安定性の診断を用いて,本手法の評価を行った。 その結果、セマンティックフローの変種は、標準的なポストホックベースラインに比べて、競争力や優れた忠実性を実現し、計算効率は著しく向上した。 安定性分析はさらに、説明が堅牢であることを示し、解釈を慎重に適用すべき体制を特定する。

関連論文リスト

• Information Bottleneck Learning for Faithful Time Series Forecasting Explanations [26.577036929886486]
  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。
  論文  参考訳（メタデータ） (2026-07-30T12:33:19Z)
• 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)
• Beyond Extrapolation: Knowledge Utilization Paradigm with Bidirectional Inspiration for Time Series Forecasting [81.44658512649633]
  KUP-BIは、エンファントレインのみの歴史図書館から継続スタイルの知識を抽出する新しい時系列モデリングパラダイムである。 最新モデルの予測性能を継続的に改善し、オーバーヘッドを小さくする。
  論文  参考訳（メタデータ） (2026-05-19T01:43:00Z)
• Causal-INSIGHT: Probing Temporal Models to Extract Causal Structure [4.718641165826564]
  Causal-INSIGHTは、訓練された時間的予測器からモデル実装された(予測者に依存しない)時間的な影響構造を抽出するためのモデルに依存しない、ポストホックな解釈フレームワークである。 提案するQbicは,地平線グラフラベルを必要とせずに,予測忠実度と構造的複雑さのバランスをとる,空間性を考慮したグラフ選択基準である。
  論文  参考訳（メタデータ） (2026-03-26T14:16:37Z)
• Towards Accurate and Interpretable Time-series Forecasting: A Polynomial Learning Approach [14.252057458281909]
  時系列予測は早期警告を可能にし、アセットパフォーマンス管理を従来の計画されたメンテナンスから予測的なメンテナンスへと駆り立てた。 予測方法における解釈可能性の欠如は、ユーザの信頼を損なうとともに、開発者の複雑さを損なう。 本稿では,モデル構造に解釈可能性を統合する,解釈型学習(IPL)手法を提案する。
  論文  参考訳（メタデータ） (2026-03-03T11:59:46Z)
• 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)
• 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)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。