Buchumschlag

Improving the Evaluation and Actionability of Explanation Methods for Multivariate Time Series Classification

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Serramazza, Davide Italo, Nguyen, Thach Le, Ifrim, Georgiana
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

An Empirical Evaluation of Factors Affecting SHAP Explanation of Time Series Classification
von: Serramazza, Davide Italo, et al.
Veröffentlicht: (2025)

Robust Explainer Recommendation for Time Series Classification
von: Nguyen, Thu Trang, et al.
Veröffentlicht: (2023)

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

On Multivariate Financial Time Series Classification
von: Bournassenko, Grégory
Veröffentlicht: (2025)

ShapeFormer: Shapelet Transformer for Multivariate Time Series Classification
von: Le, Xuan-May, et al.
Veröffentlicht: (2024)

Improving Position Encoding of Transformers for Multivariate Time Series Classification
von: Foumani, Navid Mohammadi, et al.
Veröffentlicht: (2023)

The Multiverse of Time Series Machine Learning: an Archive for Multivariate Time Series Classification
von: Middlehurst, Matthew, et al.
Veröffentlicht: (2026)

Time-Series Classification with Multivariate Statistical Dependence Features
von: Sun, Yao, et al.
Veröffentlicht: (2026)

Graph-Aware Contrasting for Multivariate Time-Series Classification
von: Wang, Yucheng, et al.
Veröffentlicht: (2023)

Univariate Channel Fusion for Multivariate Time Series Classification
von: Moro, Fernando, et al.
Veröffentlicht: (2026)

Counterfactual Explainable AI (XAI) Method for Deep Learning-Based Multivariate Time Series Classification
von: Cetina, Alan G. Paredes, et al.
Veröffentlicht: (2025)

Data Augmentation for Multivariate Time Series Classification: An Experimental Study
von: Ilbert, Romain, et al.
Veröffentlicht: (2024)

Multi-SpaCE: Multi-Objective Subsequence-based Sparse Counterfactual Explanations for Multivariate Time Series Classification
von: Refoyo, Mario, et al.
Veröffentlicht: (2024)

Navigating Time's Possibilities: Plausible Counterfactual Explanations for Multivariate Time-Series Forecast through Genetic Algorithms
von: Zuin, Gianlucca, et al.
Veröffentlicht: (2026)

Learning Actionable Counterfactual Explanations in Large State Spaces
von: Naggita, Keziah, et al.
Veröffentlicht: (2024)

On the Trade-offs between Adversarial Robustness and Actionable Explanations
von: Krishna, Satyapriya, et al.
Veröffentlicht: (2023)

A Multi-Agent Framework for Interpreting Multivariate Physiological Time Series
von: Gabrielli, Davide, et al.
Veröffentlicht: (2026)

ST-Tree with Interpretability for Multivariate Time Series Classification
von: Du, Mingsen, et al.
Veröffentlicht: (2024)

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

CAFO: Feature-Centric Explanation on Time Series Classification
von: Kim, Jaeho, et al.
Veröffentlicht: (2024)

User-friendly Foundation Model Adapters for Multivariate Time Series Classification
von: Feofanov, Vasilii, et al.
Veröffentlicht: (2024)

Wavelet Probabilistic Recurrent Convolutional Network for Multivariate Time Series Classification
von: Yang, Pu, et al.
Veröffentlicht: (2025)

ProtoTSNet: Interpretable Multivariate Time Series Classification With Prototypical Parts
von: Małkus, Bartłomiej, et al.
Veröffentlicht: (2025)

From Prototypes to Sparse ECG Explanations: SHAP-Driven Counterfactuals for Multivariate Time-Series Multi-class Classification
von: Mozolewski, Maciej, et al.
Veröffentlicht: (2025)

Causal Explanation of Concept Drift -- A Truly Actionable Approach
von: Komnick, David, et al.
Veröffentlicht: (2025)

TriShGAN: Enhancing Sparsity and Robustness in Multivariate Time Series Counterfactuals Explanation
von: Ma, Hongnan, et al.
Veröffentlicht: (2025)

CATS: Mitigating Correlation Shift for Multivariate Time Series Classification
von: Lin, Xiao, et al.
Veröffentlicht: (2025)

Counterfactual Training: Teaching Models Plausible and Actionable Explanations
von: Altmeyer, Patrick, et al.
Veröffentlicht: (2026)

A Simple State Space Model Excels at Multivariate Time Series Classification
von: Saadatmand, Hassan, et al.
Veröffentlicht: (2026)

CoCAI: Copula-based Conformal Anomaly Identification for Multivariate Time-Series
von: Pearson, Nicholas A., et al.
Veröffentlicht: (2025)

Shapelet-based Model-agnostic Counterfactual Local Explanations for Time Series Classification
von: Huang, Qi, et al.
Veröffentlicht: (2024)

Dynamic Relational Priming Improves Transformer in Multivariate Time Series
von: Lee, Hunjae, et al.
Veröffentlicht: (2025)

Improving Time Series Encoding with Noise-Aware Self-Supervised Learning and an Efficient Encoder
von: Nguyen, Duy A., et al.
Veröffentlicht: (2023)

M-CELS: Counterfactual Explanation for Multivariate Time Series Data Guided by Learned Saliency Maps
von: Li, Peiyu, et al.
Veröffentlicht: (2024)

Accelerometer-Based Multivariate Time-Series Dataset for Calf Behavior Classification
von: Dissanayake, Oshana, et al.
Veröffentlicht: (2024)

Hardware-Friendly Delayed-Feedback Reservoir for Multivariate Time-Series Classification
von: Ikeda, Sosei, et al.
Veröffentlicht: (2025)

FACEGroup: Feasible and Actionable Counterfactual Explanations for Group Fairness
von: Fragkathoulas, Christos, et al.
Veröffentlicht: (2024)

Federated Koopman-Reservoir Learning for Large-Scale Multivariate Time-Series Anomaly Detection
von: Le, Long Tan, et al.
Veröffentlicht: (2025)

TodyNet: Temporal Dynamic Graph Neural Network for Multivariate Time Series Classification
von: Liu, Huaiyuan, et al.
Veröffentlicht: (2023)

Deep Distance Measurement Method for Unsupervised Multivariate Time Series Similarity Retrieval
von: Naito, Susumu, et al.
Veröffentlicht: (2026)