論文の概要: T-MoXAI: A Hierarchical Explainability Framework for Temporal Multimodal Data

• arxiv url: http://arxiv.org/abs/2609.33685v1
• Date: Sun, 27 Sep 2026 15:48:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 17:43:55.97612
• Title: T-MoXAI: A Hierarchical Explainability Framework for Temporal Multimodal Data
• Title（参考訳）: T-MoXAI: 時間的マルチモーダルデータのための階層的説明可能性フレームワーク
• Abstract要約: 時間ポイントが予測にいつ影響するかを説明する階層的なフレームワークであるT-MoXAIを紹介する。 本研究は,IVF処理結果の予測と小麦収量の予測という,実世界の2つの課題の枠組みを評価する。
• 参考スコア（独自算出の注目度）: 9.673689178090704
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial Intelligence (AI) models for temporal multimodal data have potential in healthcare and agriculture, but their opacity can limit trust and adoption. We introduce T-MoXAI (Temporal Multimodal eXplainable AI), a hierarchical framework explaining (1) when timepoints influence predictions, using temporal Shapley values; (2) which modalities contribute at those moments, using attention analysis; and (3) what features or image regions drive decisions, using gradient based attribution. A transformer based architecture handles irregular temporal sequences and heterogeneous data, generating all three explanation levels in under one second for interactive decision support. We evaluate the framework on two real world tasks: predicting IVF treatment outcomes from ultrasound sequences and clinical measurements (AUC 0.660 despite significant class imbalance), and forecasting wheat yield from temporal RGB imagery and phenotypic traits ($R^2$ 0.265 amid substantial environmental variability). Ablation studies indicate that temporal modelling is critical in both domains: removing it reduces performance to the equivalent of random guessing. Temporal ROAR experiments provide evidence that the explanations reflect the model's reasoning process. With a unified, domain agnostic architecture and open source implementation, T-MoXAI provides a baseline for temporal multimodal XAI, addressing fragmentation in the field and supporting applications where understanding decisions is as important as predictive accuracy.
• Abstract（参考訳）: 時間的マルチモーダルデータのための人工知能(AI)モデルは、医療や農業に可能性を持っているが、その不透明さは信頼と採用を制限する可能性がある。 T-MoXAI (Temporal Multimodal eXplainable AI) は,(1)時刻が時間的シェープ値を用いて予測に影響を与える場合,(2)注意分析を用いて,どのモダリティがそれらの瞬間に寄与するか,(3) 勾配に基づく属性を用いた特徴や画像領域が決定を下すかを説明する階層的枠組みである。 トランスフォーマーベースのアーキテクチャは、不規則な時間シーケンスと不均一なデータを処理し、インタラクティブな意思決定支援のために1秒未満で3つの説明レベルを発生させる。 本研究は, 超音波シークエンスと臨床測定値(AUC 0.660)によるIVF治療結果の予測と, 時間的RGB画像と表現形質特性(R^2$0.265)による小麦収の予測である。 アブレーション研究は、時間的モデリングが両方の領域において重要であることを示唆している。 時間的ROAR実験は、説明がモデルの推論過程を反映している証拠を提供する。 統合されたドメインに依存しないアーキテクチャとオープンソース実装により、T-MoXAIは、時間的マルチモーダルXAIのベースラインを提供し、フィールドの断片化に対処し、意思決定が予測精度と同じくらい重要であるアプリケーションをサポートする。

関連論文リスト

• How Good are Foundation Models in Longitudinal MRI Disease Progression Reasoning? [49.14050864978079]
  我々は,マルチビュー解剖学的入力を統一する評価フレームワークであるTime-Aware Multi-View MRI Benchmarkを紹介した。 このベンチマークは、3200の縦断MRIのタイムポイントにまたがる890人の患者から得られた、専門家が検証した質問応答ペア3,920名からなる。
  論文  参考訳（メタデータ） (2026-08-13T14:35:20Z)
• Chronofy: A Temporal-Logical Decay Architecture for Information Validity in Time-Aware Retrieval-Augmented Generation [0.0]
  Retrieval-Augmented Generation (RAG) システムは、外部知識を検索して統合し、基盤となる大規模言語モデル(LLM)出力を出力する。 現在のRAGアーキテクチャは、全ての検索された事実を時間的前兆に関係なく等しく有効と扱い、時間的幻覚につながる。 本稿では, 時間的妥当性をRAGシステムの表現, 検索, 推論層に直接組み込むTLDA(Temporal-Logical Decay Architecture)を実装した3層ニューロシンボリック・フレームワークであるクロノフィーについて述べる。
  論文  参考訳（メタデータ） (2026-07-17T23:20:24Z)
• From Prompts to Pavement Through Time: Temporal Grounding in Agentic Scene-to-Plan Reasoning [1.2777067998526854]
  本研究は, エージェント間コミュニケーションにおける時間的条件付けが, 意味的・論理的一貫性の低下を伴わずにコヒーレンスを維持・強化できるかどうかを考察する。 その結果,時間的条件付けは推論スタイルに反するが,標準NLPに基づく正当性測定では統計的に有意な改善は得られなかった。 これらの結果から,プロンプトベースの時間的接地限界を明らかにし,時間的シーンから計画的推論のための最初の経験的基準を確立した。
  論文  参考訳（メタデータ） (2026-05-19T13:18:35Z)
• DAMS:Dual-Branch Adaptive Multiscale Spatiotemporal Framework for Video Anomaly Detection [7.117824587276951]
  この研究は、マルチレベル特徴とデカップリング融合に基づくDual-Branch Adaptive Multiscale Stemporal Framework (DAMS)と呼ばれるデュアルパスアーキテクチャを提供する。 主処理経路は、適応型マルチスケール時間ピラミッドネットワーク(AMTPN)と畳み込みブロック注意機構(CBAM)を統合している。
  論文  参考訳（メタデータ） (2025-07-28T08:42:00Z)
• 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)
• MVICAD2: Multi-View Independent Component Analysis with Delays and Dilations [61.59658203704757]
  本稿では,時間的遅延と拡張の両面において,被験者間でソースを異にするMVICAD(Multi-View Independent Component Analysis with Delays and Dilations)を提案する。 本稿では, 正則化と最適化手法を用いて, 性能向上を図るため, 正則化と最適化手法を用いて, その可能性の近似を導出する。
  論文  参考訳（メタデータ） (2025-01-13T15:47:02Z)
• Short and Long Range Relation Based Spatio-Temporal Transformer for Micro-Expression Recognition [61.374467942519374]
  我々は,マイクロ圧縮認識のための最初の純粋トランスフォーマーベースアプローチである,新しいアテンポ的トランスフォーマーアーキテクチャを提案する。 空間パターンを学習する空間エンコーダと、時間的分析のための時間的次元分類と、ヘッドとを備える。 広範に使用されている3つの自発的マイクロ圧縮データセットに対する総合的な評価は,提案手法が一貫して芸術の状態を上回っていることを示している。
  論文  参考訳（メタデータ） (2021-12-10T22:10:31Z)

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。