Buchumschlag

TimeX++: Learning Time-Series Explanations with Information Bottleneck

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Zichuan, Wang, Tianchun, Shi, Jimeng, Zheng, Xu, Chen, Zhuomin, Song, Lei, Dong, Wenqian, Obeysekera, Jayantha, Shirani, Farhad, Luo, Dongsheng
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

PAC Learnability under Explanation-Preserving Graph Perturbations
von: Zheng, Xu, et al.
Veröffentlicht: (2024)

SF$^2$Bench: Evaluating Data-Driven Models for Compound Flood Forecasting in South Florida
von: Zheng, Xu, et al.
Veröffentlicht: (2025)

FIDLAR: Forecast-Informed Deep Learning Architecture for Flood Mitigation
von: Shi, Jimeng, et al.
Veröffentlicht: (2024)

Explanation-Preserving Augmentation for Semi-Supervised Graph Representation Learning
von: Chen, Zhuomin, et al.
Veröffentlicht: (2024)

Towards Robust Fidelity for Evaluating Explainability of Graph Neural Networks
von: Zheng, Xu, et al.
Veröffentlicht: (2023)

Parametric Augmentation for Time Series Contrastive Learning
von: Zheng, Xu, et al.
Veröffentlicht: (2024)

TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables
von: Wang, Yuxuan, et al.
Veröffentlicht: (2024)

F-Fidelity: A Robust Framework for Faithfulness Evaluation of Explainable AI
von: Zheng, Xu, et al.
Veröffentlicht: (2024)

Deep Learning Models for Flood Predictions in South Florida
von: Shi, Jimeng, et al.
Veröffentlicht: (2023)

Protecting Your LLMs with Information Bottleneck
von: Liu, Zichuan, et al.
Veröffentlicht: (2024)

Deep Reinforcement Learning for MIMO Communication with Low-Resolution ADCs
von: Alonso, Marian Temprana, et al.
Veröffentlicht: (2025)

Factorized Explainer for Graph Neural Networks
von: Huang, Rundong, et al.
Veröffentlicht: (2023)

Multi-Quantile Regression for Extreme Precipitation Downscaling
von: Najafi, Hamed, et al.
Veröffentlicht: (2026)

Explaining Time Series via Contrastive and Locally Sparse Perturbations
von: Liu, Zichuan, et al.
Veröffentlicht: (2024)

From Binary to Continuous: Stochastic Re-Weighting for Robust Graph Explanation
von: Chen, Zhuomin, et al.
Veröffentlicht: (2025)

LM$^2$otifs : An Explainable Framework for Machine-Generated Texts Detection
von: Zheng, Xu, et al.
Veröffentlicht: (2025)

Rank Supervised Contrastive Learning for Time Series Classification
von: Ren, Qianying, et al.
Veröffentlicht: (2024)

RegExplainer: Generating Explanations for Graph Neural Networks in Regression Tasks
von: Zhang, Jiaxing, et al.
Veröffentlicht: (2023)

LUMOS: Democratizing SciML Workflows with L0-Regularized Learning for Unified Feature and Parameter Adaptation
von: Gao, Shouwei, et al.
Veröffentlicht: (2026)

Expert System for Bitcoin Forecasting: Integrating Global Liquidity via TimeXer Transformers
von: T, Sravan Karthick
Veröffentlicht: (2025)

ReFine: Boosting Time Series Prediction of Extreme Events by Reweighting and Fine-tuning
von: Shi, Jimeng, et al.
Veröffentlicht: (2024)

Glocal Information Bottleneck for Time Series Imputation
von: Yang, Jie, et al.
Veröffentlicht: (2025)

Time-RA: Towards Time Series Reasoning for Anomaly Diagnosis with LLM Feedback
von: Yang, Yiyuan, et al.
Veröffentlicht: (2025)

On Non-Interactive Simulation of Distributed Sources with Finite Alphabets
von: Salehi, Hojat Allah, et al.
Veröffentlicht: (2024)

Diversified Scaling Inference in Time Series Foundation Models
von: Hua, Ruijin, et al.
Veröffentlicht: (2026)

Tokenizing Single-Channel EEG with Time-Frequency Motif Learning
von: Pradeepkumar, Jathurshan, et al.
Veröffentlicht: (2025)

MMFNet: Multi-Scale Frequency Masking Neural Network for Multivariate Time Series Forecasting
von: Ma, Aitian, et al.
Veröffentlicht: (2024)

Accurate, Efficient, and Explainable Deep Learning Approaches for Environmental Science Problems
von: Shi, Jimeng
Veröffentlicht: (2026)

DDTime: Dataset Distillation with Spectral Alignment and Information Bottleneck for Time-Series Forecasting
von: Li, Yuqi, et al.
Veröffentlicht: (2025)

MixLinear: Extreme Low Resource Multivariate Time Series Forecasting with 0.1K Parameters
von: Ma, Aitian, et al.
Veröffentlicht: (2024)

Breaking the Context Bottleneck on Long Time Series Forecasting
von: Ma, Chao, et al.
Veröffentlicht: (2024)

PUPAE: Intuitive and Actionable Explanations for Time Series Anomalies
von: Der, Audrey, et al.
Veröffentlicht: (2024)

On the Effect of Instability on Learning Continuous-Time Linear Control Systems
von: Hafshejani, Reza Sadeghi, et al.
Veröffentlicht: (2024)

What-If Explanations Over Time: Counterfactuals for Time Series Classification
von: Schlegel, Udo, et al.
Veröffentlicht: (2026)

Right on Time: Revising Time Series Models by Constraining their Explanations
von: Kraus, Maurice, et al.
Veröffentlicht: (2024)

How Effective are Large Time Series Models in Hydrology? A Study on Water Level Forecasting in Everglades
von: Rangaraj, Rahuul, et al.
Veröffentlicht: (2025)

Harnessing Vision Models for Time Series Analysis: A Survey
von: Ni, Jingchao, et al.
Veröffentlicht: (2025)

Quantum Advantage in Non-Interactive Source Simulation
von: Salehi, Hojat Allah, et al.
Veröffentlicht: (2024)

Motif-guided Time Series Counterfactual Explanations
von: Li, Peiyu, et al.
Veröffentlicht: (2022)

LLM-as-a-Judge for Time Series Explanations
von: Sivalingam, Preetham, et al.
Veröffentlicht: (2026)