論文の概要: A Hilbert-Valued Functional Decomposition Framework for Explaining Time-Dependent Outputs

• arxiv url: http://arxiv.org/abs/2609.11295v1
• Date: Thu, 10 Sep 2026 09:25:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.282259
• Title: A Hilbert-Valued Functional Decomposition Framework for Explaining Time-Dependent Outputs
• Title（参考訳）: 時間依存出力記述のためのヒルベルト値関数分解フレームワーク
• Abstract要約: 我々は、時間依存出力の特徴に基づく説明のための統一的なフレームワークを開発する。 関数分解をヒルベルト値予測関数に一般化する。 合成および実世界のデータに関する我々の枠組みを検証する。
• 参考スコア（独自算出の注目度）: 1.9615940252774886
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feature-based explanations quantify features' influence on model predictions, but are primarily designed for scalar outputs. In many applications, however, outputs are functional or multivariate, such as time-dependent trajectories in demand forecasting. Consequently, existing approaches typically explain each output location independently, ignoring dependencies across the output components. We address this limitation by developing a unified framework for feature-based explanations of time-dependent outputs. Specifically, we generalize functional decomposition to Hilbert-valued prediction functions and extend an existing feature-based explanation framework to this setting. Our framework introduces kernel-based output representations that enable time-dependency-aware explanations at multiple levels of temporal granularity, including time-specific, time-resolved, and time-aggregated, while providing a unified view in which existing methods arise as special cases. We validate our framework on synthetic and real-world data, including intraday financial market volatility prediction and energy demand forecasting.
• Abstract（参考訳）: 特徴に基づく説明は、特徴がモデル予測に与える影響を定量化するが、主にスカラー出力のために設計されている。 しかし、多くのアプリケーションでは、需要予測における時間依存軌道のような出力は機能的または多変量である。 その結果、既存のアプローチは通常、出力コンポーネント間の依存関係を無視して、それぞれの出力位置を独立して説明します。 我々は、時間依存出力の特徴に基づく説明のための統一的なフレームワークを開発することで、この制限に対処する。 具体的には、関数分解をヒルベルト値予測関数に一般化し、既存の特徴に基づく説明フレームワークをこの設定に拡張する。 本フレームワークでは,時間依存型,時間依存型,時間集約型など,時間依存型,時間依存型など複数の時間的粒度の説明が可能なカーネルベースの出力表現を導入し,既存のメソッドが特別なケースとして発生する統一的なビューを提供する。 我々は、日内金融市場のボラティリティ予測やエネルギー需要予測など、合成および実世界のデータに関する枠組みを検証する。

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)
• SPECTRA: State-Space Exogenous Context and Temporal-Frequency Resolution Architecture for Probabilistic Energy Forecasting [5.384896571539134]
  再生可能断続性、フレキシブルな需要、市場のボラティリティ、気象に依存した発生といった不確実性と相互作用する中で、現代の電力システムは確率的予測をますます要求している。 本稿では,一般確率エネルギー予測のための状態空間外在的コンテキストと時間周波数分解アーキテクチャを提案する。 負荷、価格、太陽、風速予測の実験は18設定中14項目で最高の連続的な順位の確率スコアを達成し、CRPSの平均は5.74%、上尾の量子リスクは7.27%減少する。
  論文  参考訳（メタデータ） (2026-07-22T13:58:17Z)
• SEED: Spectral Entropy-Guided Evaluation of SpatialTemporal Dependencies for Multivariate Time Series Forecasting [8.507253633170947]
  時空間依存モデリングのためのスペクトルエントロピー誘導評価フレームワークを開発した。 SEEDは各変数の空間的および時間的依存関係を予備評価し、モデルが適応的にチャネル独立(CI)とチャネル依存(CD)戦略のバランスをとることを可能にする。 SEEDは最先端のパフォーマンスを実現し、その有効性と汎用性を検証する。
  論文  参考訳（メタデータ） (2025-12-09T06:18:05Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• 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)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables [75.83318701911274]
  TimeXerは外部情報を取り込み、内因性変数の予測を強化する。 TimeXerは、12の現実世界の予測ベンチマークで一貫した最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-29T11:54:35Z)
• Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [55.596897987498174]
  本稿では,重み付き時間遅延フィードバック機構を備えたゲートリカレントユニット(GRU)を導入し,時系列データの長期依存性をモデル化する手法を提案する。 提案したモデルである $tau$-GRU は、繰り返し単位の連続時間定式化の離散版であり、力学は遅延微分方程式(DDE)によって制御される。
  論文  参考訳（メタデータ） (2022-12-01T02:26:34Z)
• Distributional Gradient Boosting Machines [77.34726150561087]
  私たちのフレームワークはXGBoostとLightGBMをベースにしています。 我々は,このフレームワークが最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2022-04-02T06:32:19Z)
• Feature Importance Explanations for Temporal Black-Box Models [3.655021726150369]
  自然界に固有の時間的モデルを説明する手法であるTIMEを提案する。 我々のアプローチは,グローバルな特徴の重要度を分析するために,モデルに依存しない置換に基づくアプローチを用いる。
  論文  参考訳（メタデータ） (2021-02-23T20:41:07Z)
• 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)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。