説明可能な多変量時系列分類:インフォーマティブ時間間隔を良くするための重要な変数に注意する深層ニューラルネットワーク【JST・京大機械翻訳】

Hsieh Tsung-Yu; Wang Suhang; Sun Yiwei; Honavar Vasant

プレプリント

J-GLOBAL ID：202202206222114316 整理番号：22P0212041

説明可能な多変量時系列分類:インフォーマティブ時間間隔を良くするための重要な変数に注意する深層ニューラルネットワーク【JST・京大機械翻訳】

Explainable Multivariate Time Series Classification: A Deep Neural Network Which Learns To Attend To Important Variables As Well As Informative Time Intervals

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2020年11月23日プレプリントサーバーでの情報更新日： 2020年11月23日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

時系列データは,多様な実世界アプリケーションにおいて一般的であり,AIソリューションによってなされた決定を理解し,完全に信用するための人々のための信頼できるモデルおよび説明可能なモデルを要求する。多変数時系列データから説明可能な分類器の問題点を考察した。そのような予測モデルを理解する重要な基準は,分類に対する時間変動入力変数の寄与を明らかにし,定量化することである。したがって,分類器出力を決定する時間間隔と同様に変数を同時に同定する,新規,モジュール型,畳込みベースの特徴抽出および注意機構を導入した。提案手法が多変量時系列分類タスクにおいて最先端のベースライン法よりも性能が優れていることを示すいくつかのベンチマークデータセットによる広範な実験の結果を示した。事例研究の結果は,提案した方法によって同定された変数と時間間隔が,利用可能なドメイン知識に対して意味があることを示す。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

パターン認識 , 人工知能

, , , , , , ,

前のページに戻る