Aug, 2024

SPINEX时间序列：基于相似性的预测与可解释邻居探索用于时间序列与预测问题

HTML
PDF
TL;DR本文针对时间序列和预测分析中的预测准确性和可解释性问题，提出了SPINEX的新算法，该算法利用相似性和高阶时间交互。实验证明，SPINEX在处理复杂时间动态方面表现优异，常常排名前五，显示了其在预测精准度和决策透明度中的潜力。
发现论文，激发创造
  • 接近度森林：一种适用于时间序列的有效可扩展距离分类器

    本文介绍 Proximity Forest 算法，通过随机化选择实例和相似度度量，从包含数百万个时间序列的数据集中学习准确的模型，并在毫秒内对时间序列进行分类。该算法在时间序列分类方面表现出极高的准确性和速度，并在对 1M 个时间序列的地球观测数据集进行实验时表现出优越性能。

    Aug, 2018

  • timeXplain -- 时间序列分类器预测解释框架

    该研究提出了一种名为timeXplain的框架，旨在将解释性人工智能应用于时间序列分类和价值预测中，并在该框架下对几种最先进的时间序列分类器进行了大规模实验比较，发现了似乎不同的分类概念之间的相似性。

    Jul, 2020

  • SPINEX: 适用于机器学习中回归和分类任务的基于相似性预测和可解释的邻居探索

    本文介绍了一种新的基于相似度的解释性邻居探索算法SPINEX，通过结合集成学习和特征交互分析来实现准确的预测和有意义的洞察，并且在59个合成和真实数据集上进行了广泛的实验来评估其性能。实验结果表明，SPINEX在某些情况下可能优于常用机器学习算法，是一个有前途的方法用于各种现实世界的应用。

    Jun, 2023

  • 通过自监督模型行为一致性对时间序列解释进行编码

    TimeX通过引入模型行为一致性的新颖表述来训练，通过生成离散归属度量和学习解释的潜在空间，提供更具解释性和灵活性的解释方法，能够有效地进行时间序列建模的解释和预测。

    Jun, 2023

  • AMEE：时间序列分类中的解释评估鲁棒框架

    本文提出一种名为AMEE的模型无关解释评估框架，可以量化和比较用于时序分类的多个显著性解释方法，并通过扰动输入时间序列来测量其对分类准确度的影响以进行解释评估。

    Jun, 2023

  • TimeTuner：时间序列预测中的时间表示的诊断及对立证明

    该论文提出了一种名为TimeTuner的新型可视化分析框架，用于帮助分析人员理解模型行为与时间序列表示的局部相关性、稳定性和粒度之间的关联，并通过反事实解释、多种协调视图和交互方式来改进自动特征学习的限制，展示了其在实际时间序列预测中的适用性。

    Jul, 2023

  • 可解释的自适应基于树的模型选择时间序列预测

    我们提出了一种新颖的方法，利用TreeSHAP解释性方法在线选择基于树的模型，并在时间序列预测任务中进行运用，以解决过拟合问题和模型选择的困境。实证研究表明，我们的方法在多个真实数据集上取得了与现有方法和基线方法相当甚至更好的结果。

    Jan, 2024

  • TimeX++：使用信息瓶颈学习时间序列解释

    该论文从信息论的角度研究深度学习模型在时间序列数据上的解释问题，并介绍了一种新颖的时间序列可解释学习框架TimeX++，通过实验结果证明其在解释质量方面的显著改进。

    May, 2024

  • SPINEX：基于相似性的解释邻居探索的异常和离群检测预测

    SPINEX是一种新颖的异常和离群点检测算法，利用相似性和多个子空间之间的高阶交互概念来识别离群点，并通过评估21种常用的异常检测算法以及各种领域、各种维度和复杂度的39个合成和真实数据集，证明SPINEX具有卓越的性能，在综合数据集中排名第一，在真实数据集中排名第七，并具有适度的复杂度。

    Jul, 2024

  • SPINEX-聚类：基于相似性的可解释近邻探索的聚类问题预测

    利用相似性和多个子空间之间的高阶相互作用，提出了一个新颖的聚类算法SPINEX，通过针对13个算法进行全面的基准测试实验，该算法在51个不同领域、维度和复杂度的合成和实际数据集中，表现优越，并具有适度的复杂性，同时展示了SPINEX的可解释性能和未来研究需求。

    Jul, 2024