論文の概要: Learnable Time-Frequency Masks for Explaining Time-Series Classifiers

• arxiv url: http://arxiv.org/abs/2609.29270v1
• Date: Thu, 24 Sep 2026 09:09:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.807074
• Title: Learnable Time-Frequency Masks for Explaining Time-Series Classifiers
• Title（参考訳）: 時系列分類のための学習可能な時間周波数マスク
• Abstract要約: 識別情報は遅延周波数や時間周波数の特徴でしばしば符号化されるため、時系列説明性は依然として困難である。 任意の非可逆時間周波数変換から係数上のスパース帰属マスクを学習するフレームワークであるXACTを提案する。
• 参考スコア（独自算出の注目度）: 2.683592679284356
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-series explainability remains challenging because discriminative information is often encoded in latent frequency or time-frequency features rather than in the raw signal itself. Existing attribution methods typically operate either in the time domain or in a fixed transform domain, limiting their ability to capture salient information across different representations. We propose XACT, a general framework that learns sparse attribution masks over coefficients from arbitrary invertible time-frequency transforms. We evaluate the framework on the STFT, the continuous wavelet transform, and the discrete wavelet transform. In addition, we extend the virtual inspection layer approach from the STFT to both wavelet transforms, enabling LRP to generate explanations in these representations. On a synthetic dataset, XACT produces precise explanations and is less prone to highlighting spurious features than the tested baselines. Across two real-world datasets, XACT produces sparse and structured explanations, although no method performs best across all quantitative evaluation criteria. These results demonstrate that learning explanations directly in time-frequency representations offers a flexible approach to interpreting deep-learning models for time series data.
• Abstract（参考訳）: 識別情報は生信号自体よりも遅延周波数や時間周波数の特徴で符号化されることが多いため、時系列説明性は依然として困難である。 既存の属性メソッドは通常、時間領域または固定変換領域のいずれかで動作し、異なる表現をまたいだ健全な情報をキャプチャする能力を制限する。 任意の非可逆時間周波数変換から係数上のスパース帰属マスクを学習する一般的なフレームワークであるXACTを提案する。 我々はSTFT、連続ウェーブレット変換、離散ウェーブレット変換の枠組みを評価する。 さらに、仮想検査層アプローチをSTFTから両方のウェーブレット変換に拡張し、LRPがこれらの表現で説明を生成できるようにする。 合成データセット上では、XACTは正確な説明を生成し、試験されたベースラインよりも急激な特徴を強調させる傾向が低い。 2つの実世界のデータセットの中で、XACTはスパースと構造化された説明を生成するが、すべての定量的評価基準で最善を尽くす方法は存在しない。 これらの結果は、時系列データに対する深層学習モデルの解釈において、時間周波数表現での学習説明がフレキシブルなアプローチを提供することを示している。

関連論文リスト

• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• Modeling Time Series Dynamics with Fourier Ordinary Differential Equations [5.156484100374059]
  FODEはFourierドメインに動的を埋め込むアプローチです。 FODEは、時間領域において解明され続けるグローバルなパターンと周期的な振舞いを明らかにする。 様々な時系列データセットの実験により、FODEは精度と効率の両面で既存の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-05T10:27:45Z)
• LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
  欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。 我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
  論文  参考訳（メタデータ） (2025-06-20T14:48:42Z)
• FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
  周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。 本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。 FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-05-29T07:18:28Z)
• FreCT: Frequency-augmented Convolutional Transformer for Robust Time Series Anomaly Detection [8.779286654383796]
  時系列異常検出はシステム監視とリスク識別に重要である。 周波数拡張畳み込み変換器(FreCT)を提案する。 FreCTはパッチ操作を利用してコントラストビューを生成し、コンボリューションモジュールと統合された改良されたTransformerアーキテクチャを採用している。
  論文  参考訳（メタデータ） (2025-05-02T00:56:24Z)
• FLEXtime: Filterbank learning to explain time series [10.706092195673257]
  時系列からの予測を説明する最先端の手法では、各ステップごとにインスタンスワイズ・サリエンシ・マスクを学習する。 本稿では,信号分解に確立された信号処理手法に頼って,解釈可能な部分に対する時間系列説明可能性について,有意なマップとして考察する。 具体的には、バンドパスフィルタのバンクを用いて時系列を周波数帯域に分割するFLEXtimeと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-06T15:06:42Z)
• Diagnostic Spatio-temporal Transformer with Faithful Encoding [54.02712048973161]
  本稿では,データ生成プロセスが複合時間(ST)依存性を持つ場合の異常診断の課題について述べる。 我々は、ST依存を時系列分類の副産物として学習する、教師付き依存発見として問題を定式化する。 既存のST変圧器で使用される時間的位置符号化は、高周波数(短時間スケール)の周波数をキャプチャする重大な制限を有することを示す。 また、空間的および時間的方向の両方で容易に消費可能な診断情報を提供する新しいST依存性発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-26T05:31:23Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)

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。