Loading...
机构名称:
¥ 1.0

许多现实世界应用,例如医疗保健,当前的多变量时间序列预测问题。在此类设置中,除了模型的预测准确性之外,模型透明度和解释性至关重要。我们考虑从多变量时间序列数据中构建可解释的分类器的问题。理解此类预测模型的关键标准涉及将时间变化的输入变量对分类变化的贡献。因此,我们引入了一种新颖的,模量的,基于卷积的特征提取和注意机制,同时识别变量以及确定分类器输出的时间间隔。我们通过几个基准数据集提出了广泛的实验结果,这些数据集表明该方法在多变量时间序列分类任务上优于最新基线方法。我们的案例研究结果表明,相对于可用域知识,所提出的方法确定的变量和时间间隔是有意义的。

可解释的多元时间序列分类

可解释的多元时间序列分类PDF文件第1页

可解释的多元时间序列分类PDF文件第2页

可解释的多元时间序列分类PDF文件第3页

可解释的多元时间序列分类PDF文件第4页

可解释的多元时间序列分类PDF文件第5页

相关文件推荐

2023 年
¥1.0
2025 年
¥2.0
2022 年
¥1.0
2021 年
¥1.0
2023 年
¥24.0
2023 年
¥2.0
2021 年
¥1.0
2024 年
¥1.0
2024 年
¥2.0
2024 年
¥1.0
2019 年
¥1.0
2019 年
¥2.0
2019 年
¥2.0
2015 年
¥1.0
2017 年
¥4.0
2017 年
¥1.0
2024 年
¥1.0
2020 年
¥2.0
2022 年
¥3.0
2019 年
¥3.0
2019 年
¥2.0
2017 年
¥1.0
2024 年
¥1.0
2021 年
¥30.0