論文の概要: CoLaX: Context-Aware Local Explanations for Time Series Classification
- arxiv url: http://arxiv.org/abs/2611.15067v1
- Date: Wed, 11 Nov 2026 05:36:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.055363
- Title: CoLaX: Context-Aware Local Explanations for Time Series Classification
- Title(参考訳): CoLaX: 時系列分類のためのコンテキスト対応ローカル説明
- Abstract要約: CoLaXはシェープレット駆動のShapley属性とローカルパターン関連性に基づいている。
グローバルコンテキストは、サンプル固有のプロトタイプ重量と時間的に解決された信号の2つのレベルで作用する。
CoLaXは、局所的なモチーフがシーケンスレベルのコンテキスト間で関連性を変化させるときに最も有用である。
- 参考スコア(独自算出の注目度): 15.837016430379313
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Post-hoc explanations for time series classifiers usually score local patterns, such as subsequences or shapelets, without regard to the rest of the sequence. Yet the same motif can carry different predictive meaning under different global temporal conditions, such as trends or regimes. We propose CoLaX, a context-aware post-hoc explanation framework that builds on shapelet-driven Shapley attribution and conditions local-pattern relevance on a learned representation of the full sequence. Global context acts at two levels: it produces sample-specific prototype weights and a temporally resolved signal that reweights the local activation map. The resulting context-conditioned segments are the players of a Shapley attribution game whose values come only from the frozen black-box classifier. On synthetic benchmarks where identical motifs change relevance across contexts, CoLaX improves AUPRC over the strongest baseline by 30\% on average. On real-world data, it achieves the highest AUPRC on ECG. Additional ablations indicate that the gains come from input-dependent conditioning rather than from additional learnable weights. CoLaX is therefore most useful when recurring local motifs change relevance across sequence-level contexts.
- Abstract(参考訳): 時系列分類器のポストホックな説明は通常、シーケンスの残りの部分に関係なく、サブシーケンスやシェイプレットのような局所的なパターンをスコアする。
しかし、同じモチーフは、傾向や体制など、異なるグローバルな時間的条件の下で異なる予測的意味を持つことができる。
シェープレット駆動型シェープリー属性と、学習された全シーケンスの表現に対する局所パターン関連性に基づく、コンテキスト対応のポストホック説明フレームワークであるCoLaXを提案する。
グローバルコンテキストは、サンプル固有のプロトタイプの重量と、局所的な活性化マップを再重み付けする時間的に解決された信号の2つのレベルに作用する。
結果として生じる文脈条件付きセグメントは、冷凍ブラックボックス分類器からしか値が得られないShapley属性ゲームのプレイヤーである。
コンテキスト間で同じモチーフが関係する合成ベンチマークでは、CoLaXはAUPRCを最強のベースラインよりも平均30倍改善する。
実世界のデータでは、ECG上で最も高いAUPRCを達成する。
追加の短縮は、追加の学習可能な重みではなく、入力依存の条件付けによる利得を示している。
したがって、CoLaXは、局所的なモチーフがシーケンスレベルのコンテキスト間で関連性を変化させるときに最も有用である。
関連論文リスト
- MarkovTS: Pretrained State-Transition Representations for Zero-Shot Time Series Generation [61.92755454168693]
時系列生成は、シミュレーション、モデル開発、データ拡張をサポートし、実際の観測が不十分またはコストがかかる場合に、ターゲット領域統計と時間的依存関係を保存するシーケンスを生成する。
我々は、基準条件付きゼロショット時系列生成について検討する:対象ドメインは事前訓練中に見えず、生成は単一のターゲットドメイン参照シーケンスを使用し、モデルパラメータは更新されない。
マルコフTSは、局所的な形態と順序付けられた遷移を通じて、複数の時間スケールで配列の進化を特徴づける。
論文 参考訳(メタデータ) (2026-10-31T13:43:00Z) - Generalized CycleGRPO for Fine-Grained Multimodal Understanding and Grounding [86.59310092295141]
本稿では、領域理解と局所化を結合した最初の統合強化学習フレームワークであるGeneralized CycleSuiteを紹介する。
CycleOはSAMTokの全体的なgIoUを57.5%から68.7%に改善し、GRESでは平均gIoUを71.2%から78.2%に改善する。
時間的タスクでは、チャラードでは51.9%のtIoU、DOVEでは33.3%のタイムアビデンスを達成している。
論文 参考訳(メタデータ) (2026-10-21T10:39:56Z) - ProCTI: Prototype-Refined Global Conditioning for Diffusion-Based Time Series Imputation [9.278307561691037]
ProCTIは、学習したプロトタイプを通じて、検索したグローバルデータセットレベルの事前処理でローカルコンディショニングを強化する拡散インプットフレームワークである。
ハイブリッド条件付け機構は、このグローバルコンテキストを逆拡散中の局所的な信号と統合し、異なる欠損シナリオ下でより正確な再構成を可能にする。
論文 参考訳(メタデータ) (2026-09-29T14:04:03Z) - Balanced Aggregation: Understanding and Fixing Aggregation Bias in GRPO [70.38763678943648]
検証可能な報酬(RLVR)による強化学習は、大規模言語モデルにおける推論とコード生成を改善するための中心的なパラダイムとなっている。
標準的なGRPOはシーケンスアグリゲーションを使用し、最近の研究はトークンアグリゲーションをより良い代替手段として提唱している。
トークンアグリゲーションは符号長結合を導入し、シーケンスアグリゲーションは暗黙的にダウンウェイトを延長する。
論文 参考訳(メタデータ) (2026-04-14T09:48:46Z) - L2GTX: From Local to Global Time Series Explanations [1.189955933770711]
クラスワイドなグローバルな説明を生成するモデルに依存しないフレームワークであるL2GTXを提案する。
我々は,L2GTXが局所的代理の忠実度の平均として測定された安定な大域的忠実度を維持しつつ,コンパクトで解釈可能な大域的説明を生成することを示す。
論文 参考訳(メタデータ) (2026-03-13T15:14:06Z) - ShapeX: Shapelet-Driven Post Hoc Explanations for Time Series Classification Models [111.27770361128056]
時系列を意味のあるシェープレット駆動セグメントに分割する革新的なフレームワークであるShapeXを紹介する。
ShapeXの中核にはShapelet Describe-and-Detectフレームワークがあり、分類に不可欠なさまざまなシェイプレットを効果的に学習する。
論文 参考訳(メタデータ) (2025-10-23T00:01:40Z) - Explaining Time Series Classifiers with PHAR: Rule Extraction and Fusion from Post-hoc Attributions [7.51289645756884]
PHARは、数値的特徴属性を構造化された可読性ルールに変換するフレームワークである。
専用ルール融合ステップは、重み付け選択やラッソベースの精錬のような戦略を用いてルールセットを統合する。
UCR/UEA時系列分類アーカイブの実験は、PHARがTS分類タスクの解釈可能性、決定透明性、実用的な適用性を改善することを実証している。
論文 参考訳(メタデータ) (2025-08-03T09:45:40Z) - Fine-Grained Visual Classification with Efficient End-to-end
Localization [49.9887676289364]
本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。
我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
論文 参考訳(メタデータ) (2020-05-11T14:07:06Z) - Complexity Measures and Features for Times Series classification [0.0]
本稿では,時系列分類問題に対する時系列構造に関する情報を抽出できる特徴セットを提案する。
提案手法の実験結果から, 最先端モデルの2次モデルと3次モデルとに統計的に有意な差は認められなかった。
論文 参考訳(メタデータ) (2020-02-27T11:08:08Z)
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。