論文の概要: TempShap: When and How Much a Feature Matters in Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.33330v1
• Date: Fri, 23 Oct 2026 22:08:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.302172
• Title: TempShap: When and How Much a Feature Matters in Time-Series Forecasting
• Title（参考訳）: TempShap: 時系列予測において、いつ、どのくらいの機能が重要か
• Abstract要約: TempShapは損失ベースのShapleyフレームワークで、個々の入力セルが$(t, i)$である。 本研究では, 実線形予測器の時間構造, 抽出可能な正確なセルゲーム, および閉形式帰属オラクルに対する検証を行った。 実験では、Shapley推定器、予測ベンチマーク、モデルファミリーに対して、削除レベルの優位性を示す。
• 参考スコア（独自算出の注目度）: 5.0038941236539065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Attribution for a time-series forecaster should answer two questions that a feature-level scalar cannot: when in the input window a feature acts, and how much its influence changes across the forecast horizon. Most existing Shapley explainers treat each feature as one player and therefore collapse both axes. We propose TempShap, a retrospective, loss-based Shapley framework whose players are the individual input cells $(t,i)$. Its attribution tensor yields temporal-localization and horizon-impact profiles. We validate these against planted temporal structures, a tractable exact cell game, and a closed-form attribution oracle for a real linear forecaster. Permutation sharing estimates the cell-level game at localized perturbation cost. Under redundant inputs, one-at-a-time scores under-credit substitutable information, whereas the signed Shapley decomposition preserves total value and yields more reliable held-out deletion rankings under mean masking. A planted counterexample isolates the redundancy mechanism. Experiments show a deletion-ranking advantage across Shapley estimators, forecasting benchmarks, and model families. TempShap therefore makes fine-grained Shapley attribution both practical and operationally useful.
• Abstract（参考訳）: 時系列予測の属性は,特徴レベルのスカラーでは不可能な2つの疑問に答えるべきである。 既存のシェープリーの説明者は、それぞれの特徴を一つのプレイヤーとして扱い、したがって両方の軸を崩壊させる。 我々はTempShapを提案する。TempShapは、個々の入力セルのプレイヤーが$(t,i)$である、振り返りベースの損失ベースのShapleyフレームワークである。 その帰属テンソルは時間的局在と地平線影響プロファイルをもたらす。 本研究では, 実線形予測器の時間構造, 抽出可能な正確なセルゲーム, および閉形式帰属オラクルに対する検証を行った。 置換共有は、局所摂動コストでセルレベルのゲームを推定する。 冗長な入力の下では、ワン・ア・ア・タイムは置換可能な情報の下位にスコアし、符号付きシャプリー分解は合計値を保持し、平均マスキングの下でより信頼性の高いホールドアウト削除ランクを得る。 植えられた反例は、冗長機構を分離する。 実験では、Shapley推定器、予測ベンチマーク、モデルファミリーに対して、削除レベルの優位性を示す。 したがってTempShapは、よりきめ細かいShapley属性を実用的にも実用的にも役立ちます。

関連論文リスト

• Interval-valued SHAP in Tree-Based Models [1.5749416770494706]
  決定木や無作為林におけるシェープリー値のロバスト性を解析するための不正確なディリクレモデル(IDM)を提案する。 我々は、間隔値シャプリー値の効率的な計算に繋がる様々な理論的結果を得る。
  論文  参考訳（メタデータ） (2026-10-08T13:39:40Z)
• RelShap: Relationally Consistent Shapley Explanations [16.81821907834537]
  RelShapは、リレーショナル制約とデータプロファイランスをShapley値に組み込むフレームワークである。 フレームワークは推定器に依存しず、サンプリング特性や重み付け特性を変化させることなく、Kernel SHAP、Monte Carlo、SHAPと構成する。
  論文  参考訳（メタデータ） (2026-08-11T23:45:00Z)
• Local Shapley: Model-Induced Locality and Optimal Reuse in Data Valuation [32.861851772914996]
  Shapleyはデータバリュエーションの原則的な基盤だが、指数的連立空間のため、正確な計算は#Pハードである。 このモデルによって引き起こされる局所性は、モデルの計算経路によって定義されるサポートセットによって定式化する。 そこで我々はLSMRを提案する。LSMRは最適な部分集合中心アルゴリズムであり、各影響部分集合を正確に1度訓練する。
  論文  参考訳（メタデータ） (2026-03-04T02:59:23Z)
• Sundial: A Family of Highly Capable Time Series Foundation Models [47.27032162475962]
  Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。 我々のモデルは、事前の分布を指定せずに事前訓練されており、複数の確率予測を生成することができる。 Sundialは、ジャスト・イン・タイムの推論速度で、ポイントと確率予測ベンチマークの両方で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-02-02T14:52:50Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Efficient Shapley Values Estimation by Amortization for Text Classification [66.7725354593271]
  我々は,各入力特徴のシェープ値を直接予測し,追加のモデル評価を行なわずに補正モデルを開発する。 2つのテキスト分類データセットの実験結果から、アモルタイズされたモデルでは、Shapley Valuesを最大60倍のスピードアップで正確に見積もっている。
  論文  参考訳（メタデータ） (2023-05-31T16:19:13Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• groupShapley: Efficient prediction explanation with Shapley values for feature groups [2.320417845168326]
  シェープ価値は、機械学習モデルから予測を説明するための最も適切で理論的に健全なフレームワークの1つとして、自らを確立している。 Shapley値の主な欠点は、その計算複雑性が入力機能の数で指数関数的に増加することである。 本稿では、上記のボトルネックを扱うための概念的にシンプルなアプローチであるgroupShapleyを紹介する。
  論文  参考訳（メタデータ） (2021-06-23T08:16:14Z)
• Towards Efficient Data Valuation Based on the Shapley Value [65.4167993220998]
  本稿では,Shapley値を用いたデータ評価の問題点について検討する。 Shapleyの値は、データ値の概念に対して多くのデシダータを満たすユニークなペイオフスキームを定義する。 本稿では,Shapley値を近似する効率的なアルゴリズムのレパートリーを提案する。
  論文  参考訳（メタデータ） (2019-02-27T00:22:43Z)

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。