論文の概要: Explaining Time Series Forecasting with Horizon-Resolved Attribution
- arxiv url: http://arxiv.org/abs/2609.12639v1
- Date: Fri, 11 Sep 2026 09:38:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.69764
- Title: Explaining Time Series Forecasting with Horizon-Resolved Attribution
- Title（参考訳）: Horizon-Resolved Attributionによる時系列予測の解説
- Abstract要約: 既存のほとんどのメソッドは、予測されたステップが同じ過去の値に依存すると仮定して、単一の重要なベクトルを返す。
異なる予測ステップが異なる過去の値に依存するため、この仮定は成立しない。
この観察により,説明に地平線を付加した水平解法eXplanation (HRX)を提案する。
- 参考スコア（独自算出の注目度）: 13.359564942661251
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recent advances in explaining time series (TS) models have produced methods that identify which past values a prediction depends on. However, most existing methods return a single importance vector, assuming that every predicted step depends on the same past values. In this paper, we show that this assumption does not hold, as different forecast steps depend on different past values. Motivated by this observation, we propose Horizon-Resolved eXplanation (HRX), which adds a horizon axis to the explanation, so that every forecast step receives its own importance map. HRX is a simple yet effective plug-in framework with three components: 1) an estimator that reads these maps out of any differentiable forecaster without modifying the TS backbone, 2) an evaluation protocol that validates the horizon axis by measuring how much a single forecast step changes when the inputs an importance map ranks highest are removed, and 3) a rank criterion that predicts in advance whether the axis is worth resolving on a given TS. We further show that this step-wise dependence is low-dimensional, as the explanations of all steps are built from a few shared maps whose number does not grow with the forecast length. Extensive experiments across various backbones and datasets show that the improvement comes from the horizon axis and holds for estimators of previous explanation methods. Code is available at https://github.com/seunghan96/HRX.
- Abstract（参考訳）: 時系列モデル(TS)の最近の進歩は、予測がどの過去の値に依存するかを特定する方法を生み出している。
しかしながら、既存のほとんどのメソッドは、予測されたステップが同じ過去の値に依存すると仮定して、単一の重要なベクトルを返す。
本稿では,異なる予測ステップが異なる過去の値に依存するため,この仮定は成立しないことを示す。
本研究の目的は,水平分解型eXplanation (HRX)を提案し,その説明に水平軸を付加することで,各予測ステップがそれぞれの重要度マップを受信できるようにすることである。
HRXはシンプルだが効果的なプラグインフレームワークで、3つのコンポーネントがある。
1)TSバックボーンを変更することなく、任意の微分可能な予測器からこれらのマップを読み取る推定器。
2 重要地図上位の入力が取り除かれたとき、単一の予測ステップがどの程度変化するかを測定し、地平線軸を検証する評価プロトコル
3)所定のTS上で軸が解決に値するか否かを予め予測するランク基準。
さらに、このステップ依存は、全てのステップの説明は、予測長とともに番号が増加しないいくつかの共有マップから作られるため、低次元であることが示される。
様々なバックボーンとデータセットにわたる広範囲な実験により、改善は地平線軸から生じ、以前の説明手法の推定値を保持することが示されている。
コードはhttps://github.com/seunghan96/HRXで入手できる。
関連論文リスト
- 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) - HoTPP Benchmark: Are We Good at the Long Horizon Events Forecasting? [1.3654846342364308]
長軸予測を厳格に評価するために設計された最初のベンチマークである HoTPP を紹介する。
我々は,広く使用されている評価指標の欠点を特定し,理論的に基礎付けられたT-mAP尺度を提案し,人気モデルの効率的な実装を提供する。
我々は,自己回帰と強度に基づく損失が予測品質に与える影響を分析し,今後の研究に向けた有望な方向性を概説する。
論文 参考訳（メタデータ） (2024-06-20T14:09:00Z) - Joint Prediction Regions for time-series models [0.0]
IIDデータの場合、JPR(Joint Prediction Region)の計算は容易である。
このプロジェクトは、JPRを構築するWolfとWunderliのメソッドを実装し、他のメソッドと比較することを目的としている。
論文 参考訳（メタデータ） (2024-05-14T02:38:49Z) - Consensus-Adaptive RANSAC [104.87576373187426]
本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。
注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
論文 参考訳（メタデータ） (2023-07-26T08:25:46Z) - RbX: Region-based explanations of prediction models [69.3939291118954]
領域に基づく説明(RbX)は、ブラックボックス予測モデルからスカラー出力の局所的な説明を生成するモデルに依存しない方法である。
RbXは「スパーシティ公理(sparsity axiom)」を満たすことが保証されており、予測モデルに入らない特徴は重要視されない。
論文 参考訳（メタデータ） (2022-10-17T03:38:06Z) - An Explainable Stacked Ensemble Model for Static Route-Free Estimation
of Time of Arrival [0.552480439325792]
ETAの以前の作業から得られた複数の機械学習モデルを、2段階のアンサンブルモデルに組み合わせます。
既存のXAI手法を用いて、アンサンブルの第1レベルと第2レベルのモデルを説明する。
実験により, ETAモデルは, 予測を駆動する入力特徴の重要性を正しく学習したことが示された。
論文 参考訳（メタデータ） (2022-03-17T16:56:45Z) - Sliding Sequential CVAE with Time Variant Socially-aware Rethinking for
Trajectory Prediction [13.105275905781632]
歩行者の軌道予測は、ビデオ監視、社会ロボットナビゲーション、自動運転など、多くのアプリケーションにおいて重要な技術である。
本研究は,CVAEモジュールと社会的に認識された回帰モジュールからなるCSRと呼ばれる新しい軌道予測手法を提案する。
実験の結果,提案手法はスタンフォード・ドローン・データセットの最先端手法よりも改善されていることが示された。
論文 参考訳（メタデータ） (2021-10-28T10:56:21Z) - You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory
Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。
そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。
本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文 参考訳（メタデータ） (2021-10-11T14:24:15Z) - Interval-censored Hawkes processes [82.87738318505582]
本研究では,Hawkesプロセスのパラメータを間隔制限設定で推定するモデルを提案する。
我々は、ホークス族に対する非均質近似が、間隔検閲された設定において牽引可能な可能性を認めている方法を示す。
論文 参考訳（メタデータ） (2021-04-16T07:29:04Z) - Low Rank Forecasting [0.0]
我々は,過去の値を用いて,ベクトル時系列の未来の複数の値を予測する問題について考察する。
私たちの焦点は、低いランクの予測者であり、予測を2段階に分割することです。
予測整合性の概念を導入する。これは,異なるタイミングで同じ値の推定値が一貫したことを意味する。
論文 参考訳（メタデータ） (2021-01-29T05:59:19Z) - Inverting the Pose Forecasting Pipeline with SPF2: Sequential Pointcloud
Forecasting for Sequential Pose Forecasting [106.3504366501894]
自動運転車やロボット操作システムは、オブジェクトを最初に検出して追跡することによって、将来のオブジェクトのポーズを予測することが多い。
ポーズ予測アルゴリズムは通常、オブジェクトのポーズのラベル付きシーケンスを必要とするため、このパイプラインはスケールするのに費用がかかる。
本稿では,まず3次元センサデータを予測し,予測点雲列上の物体を検知・追跡し,将来的なポーズを求めることを提案する。
これにより、センサーデータ予測タスクにラベルが不要であるため、予測のスケールが難しくなる。
論文 参考訳（メタデータ） (2020-03-18T17:54:28Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳（メタデータ） (2020-02-20T18:50:44Z)
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。