論文の概要: Sea-Net: A Small and Inherently Interpretable Neural Network for Time Series Classification

• arxiv url: http://arxiv.org/abs/2610.17939v1
• Date: Tue, 13 Oct 2026 08:24:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 08:04:00.838034
• Title: Sea-Net: A Small and Inherently Interpretable Neural Network for Time Series Classification
• Title（参考訳）: Sea-Net: 時系列分類のための小型かつ遺伝的に解釈可能なニューラルネットワーク
• Abstract要約: 提案するSEA-Netは,小型のマルチスケール深度分離型畳み込み型TSCエンコーダと,マルチインスタンス学習(MIL)型プールヘッドの改良による軽量アーキテクチャである。 トップkプーリング付きSEA-Netボトルネックエンコーダは,41Kパラメータの0.931精度と0.765 NDCG@nを実現している。また,トップkプーリング付きゲートエンコーダを用いて,62Kパラメータの0.955精度と0.750 NDCG@nを実現している。
• 参考スコア（独自算出の注目度）: 2.1546737133705887
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional time-series classification methods often operate as black boxes, providing a class prediction without indicating which time point or time interval within the series led to that prediction. To improve temporal interpretability, MILLET (Multiple Instance Learning with Temporal Explanation), which combines an InceptionTime encoder with Conjunctive Pooling, provides both classification and temporal explanations. However, MILLET contains approximately 424 K parameters, making it unsuitable for deployment on resource-constrained micro-controllers, and it achieves an overall time-series accuracy of 0.888 and an explanation score of 0.681 NDCG@n. We therefore propose SEA-Net, a lightweight architecture using small multi-scale depthwise-separable convolutional TSC encoders and improved Multiple Instance Learning (MIL) pooling heads. Our SEA-Net bottleneck encoder with Top-k pooling achieves 0.931 accuracy and 0.765 NDCG@n with only 41 K parameters. Another variant, using a gated encoder with Top-k pooling, achieves 0.955 accuracy and 0.750 NDCG@n with 62 K parameters. These results demonstrate that lightweight architectures can maintain strong classification performance and temporal explanations while substantially reducing model size. The proposed variants address specific limitations of the pooling strategy used by MILLET, providing a practical direction for interpretable time-series classification on resource-constrained edge devices.
• Abstract（参考訳）: 伝統的な時系列分類法はしばしばブラックボックスとして機能し、クラス予測をシリーズ内のどの時点や時間間隔を示すことなく提供し、その予測に導いた。 時間的解釈性を改善するために、InceptionTimeエンコーダとConjunctive Poolingを組み合わせたMILLET(Multiple Instance Learning with Temporal Explanation)は、分類と時間的説明の両方を提供する。 しかし、MILLETには約424Kのパラメータが含まれており、リソース制約されたマイクロコントローラへのデプロイには不適であり、全体の時系列精度は0.888、説明スコアは0.681 NDCG@nである。 そこで我々は,SEA-Netを提案する。SEA-Netは,小型のマルチスケール深度分離型畳み込み畳み込み符号化方式と,マルチインスタンス学習(MIL)プーリングヘッドの改良による軽量アーキテクチャである。 トップ-kプーリングを用いたSEA-Netボトルネックエンコーダは, わずか41Kパラメータの0.931精度と0.765 NDCG@nを実現している。 別の変種は、Top-kプーリングを備えたゲートエンコーダを使用して、0.955の精度と62Kパラメータの0.750 NDCG@nを達成する。 これらの結果から,軽量アーキテクチャは,モデルサイズを大幅に削減しつつ,強力な分類性能と時間的説明を維持できることが示唆された。 提案した変種はMILLETが使用するプーリング戦略の特定の制限に対処し、リソース制約されたエッジデバイス上での時系列分類を解釈するための実用的な方向を提供する。

関連論文リスト

• A Layer Importance Metric for Quantization Accounting for the Speed-Quality Trade-off in Autoregressive Models [0.0]
  小型言語モデル(sLLM)は、メモリと計算予算に制限のあるデバイスにホストされている。 本稿では,情報保持(正規化SQNR係数で測る)とスループットゲインを組み合わせた複合メトリックを提案する。
  論文  参考訳（メタデータ） (2026-08-27T10:23:01Z)
• SPATE: Spiking-Phase Adaptive Temporal Encoding for Quantum Machine Learning [3.1061484260786014]
  本稿では,時間構造を量子特徴量に組み込んだ効果的な符号化機構としてスパイクに基づくデータ表現を用いる。 新しいスパイク駆動時間符号化法が提案され、実値のタブ状特徴を漏れきりのスパイク列車に変換し、スパイク統計を量子回転にマッピングする。 階層化されたクロスバリデーションの下では、SPATEは複数のデータセットにまたがるより強力な表現をもたらす。
  論文  参考訳（メタデータ） (2026-04-13T05:41:03Z)
• BinConv: A Neural Architecture for Ordinal Encoding in Time-Series Forecasting [5.827431686047649]
  確率予測のために設計された完全畳み込みニューラルネットワークアーキテクチャである textbfBinConv を提案する。 BinConvは、ポイントと確率予測の両方で広く使用されているベースラインデータセットと比較して、優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-05-30T13:41:39Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• Convex Hull Prediction for Adaptive Video Streaming by Recurrent Learning [38.574550778712236]
  本稿では,コンテンツ認識凸船体予測の深層学習に基づく手法を提案する。 再帰的畳み込みネットワーク(RCN)を用いて,映像の複雑さを暗黙的に解析し,その凸殻を予測する。 提案するモデルでは, 最適凸殻の近似精度が向上し, 既存の手法と比較して, 競争時間の節約が期待できる。
  論文  参考訳（メタデータ） (2022-06-10T05:11:02Z)
• Temporal-attentive Covariance Pooling Networks for Video Recognition [52.853765492522655]
  既存のビデオアーキテクチャは、通常、単純なグローバル平均プール法(GAP)を用いてグローバル表現を生成する。 本稿では,深いアーキテクチャの端に挿入される減衰共分散プーリング(TCP-TCP)を提案する。 我々のTCPはモデルに依存しないため、任意のビデオアーキテクチャに柔軟に統合できるため、効果的なビデオ認識のためのTCPNetとなる。
  論文  参考訳（メタデータ） (2021-10-27T12:31:29Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)
• Non-Parametric Adaptive Network Pruning [125.4414216272874]
  アルゴリズム設計を簡略化するノンパラメトリックモデリングを導入。 顔認識コミュニティに触発されて,メッセージパッシングアルゴリズムを用いて,適応的な例示数を求める。 EPrunerは「重要」フィルタを決定する際にトレーニングデータへの依存を壊します。
  論文  参考訳（メタデータ） (2021-01-20T06:18:38Z)

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。