Buchumschlag

KnowIt: Deep Time Series Modeling and Interpretation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Theunissen, M. W., Rabe, R., Potgieter, H. L., Davel, M. H.
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Is network fragmentation a useful complexity measure?
von: Mouton, Coenraad, et al.
Veröffentlicht: (2024)

Impact of Batch Normalization on Convolutional Network Representations
von: Potgieter, Hermanus L., et al.
Veröffentlicht: (2025)

Interpretability in Deep Time Series Models Demands Semantic Alignment
von: De Felice, Giovanni, et al.
Veröffentlicht: (2026)

Benchmarking Counterfactual Interpretability in Deep Learning Models for Time Series Classification
von: Kan, Ziwen, et al.
Veröffentlicht: (2024)

Does simple trump complex? Comparing strategies for adversarial robustness in DNNs
von: Brooks, William, et al.
Veröffentlicht: (2025)

Generalized Prompt Tuning: Adapting Frozen Univariate Time Series Foundation Models for Multivariate Healthcare Time Series
von: Liu, Mingzhu, et al.
Veröffentlicht: (2024)

Deep TPC: Temporal-Prior Conditioning for Time Series Forecasting
von: Bellos, Filippos, et al.
Veröffentlicht: (2026)

Multi-Stage Prototype Learning for Interpretable Time Series Classification
von: Kalisetti, Bhavesh, et al.
Veröffentlicht: (2021)

Pre-training a Transformer-Based Generative Model Using a Small Sepedi Dataset
von: Ramalepe, Simon P., et al.
Veröffentlicht: (2025)

Predicting Time Series of Networked Dynamical Systems without Knowing Topology
von: Ding, Yanna, et al.
Veröffentlicht: (2024)

Neural Network-based Vehicular Channel Estimation Performance: Effect of Noise in the Training Set
von: Ngorima, Simbarashe Aldrin, et al.
Veröffentlicht: (2025)

High-Order Deep Meta-Learning with Category-Theoretic Interpretation
von: Mguni, David H.
Veröffentlicht: (2025)

A Practical Guide Towards Interpreting Time-Series Deep Clinical Predictive Models: A Reproducibility Study
von: Fan, Yongda, et al.
Veröffentlicht: (2026)

WinTSR: A Windowed Temporal Saliency Rescaling Method for Interpreting Time Series Deep Learning Models
von: Islam, Md. Khairul, et al.
Veröffentlicht: (2024)

Interpretable Time Series Models for Wastewater Modeling in Combined Sewer Overflows
von: Chiaburu, Teodor, et al.
Veröffentlicht: (2024)

Toward Interpretable Evaluation Measures for Time Series Segmentation
von: Chavelli, Félix, et al.
Veröffentlicht: (2025)

ProtoSSL: Interpretable Prototype Learning from Unlabeled Time-Series Data
von: Song, Steven, et al.
Veröffentlicht: (2026)

Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting
von: Deng, Jinliang, et al.
Veröffentlicht: (2023)

Adapting Time Series Foundation Models through Data Mixtures
von: Lee, Thomas L., et al.
Veröffentlicht: (2026)

Interpretable Dynamic Network Modeling of Tensor Time Series via Kronecker Time-Varying Graphical Lasso
von: Higashiguchi, Shingo, et al.
Veröffentlicht: (2026)

Deep Time Series Models: A Comprehensive Survey and Benchmark
von: Wang, Yuxuan, et al.
Veröffentlicht: (2024)

Score-CDM: Score-Weighted Convolutional Diffusion Model for Multivariate Time Series Imputation
von: Zhang, S., et al.
Veröffentlicht: (2024)

Models Know Their Shortcuts: Deployment-Time Shortcut Mitigation
von: Li, Jiayi, et al.
Veröffentlicht: (2026)

IBN: An Interpretable Bidirectional-Modeling Network for Multivariate Time Series Forecasting with Variable Missing
von: Ma, Shusen, et al.
Veröffentlicht: (2025)

An Introduction to Deep Survival Analysis Models for Predicting Time-to-Event Outcomes
von: Chen, George H.
Veröffentlicht: (2024)

Epistemic Deep Learning: Enabling Machine Learning Models to Know When They Do Not Know
von: Manchingal, Shireen Kudukkil
Veröffentlicht: (2025)

TransConv-DDPM: Enhanced Diffusion Model for Generating Time-Series Data in Healthcare
von: Kabir, Md Shahriar, et al.
Veröffentlicht: (2026)

Learning Interpretable Differentiable Logic Networks for Time-Series Classification
von: Yue, Chang, et al.
Veröffentlicht: (2025)

Exploring Kolmogorov-Arnold Networks for Interpretable Time Series Classification
von: Barašin, Irina, et al.
Veröffentlicht: (2024)

Survival Kernets: Scalable and Interpretable Deep Kernel Survival Analysis with an Accuracy Guarantee
von: Chen, George H.
Veröffentlicht: (2022)

Interpretable Time Series Autoregression for Periodicity Quantification
von: Chen, Xinyu, et al.
Veröffentlicht: (2025)

Correlating Time Series with Interpretable Convolutional Kernels
von: Chen, Xinyu, et al.
Veröffentlicht: (2024)

Deep Learning Foundation and Pattern Models: Challenges in Hydrological Time Series
von: He, Junyang, et al.
Veröffentlicht: (2024)

A Survey of Deep Learning and Foundation Models for Time Series Forecasting
von: Miller, John A., et al.
Veröffentlicht: (2024)

Deep Autocorrelation Modeling for Time-Series Forecasting: Progress and Prospects
von: Wang, Hao, et al.
Veröffentlicht: (2026)

An Interpretable and Efficient Infinite-Order Vector Autoregressive Model for High-Dimensional Time Series
von: Zheng, Yao
Veröffentlicht: (2022)

Selective Learning for Deep Time Series Forecasting
von: Fu, Yisong, et al.
Veröffentlicht: (2025)

Implicit Reasoning in Deep Time Series Forecasting
von: Potosnak, Willa, et al.
Veröffentlicht: (2024)

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

$k$-Graph: A Graph Embedding for Interpretable Time Series Clustering
von: Boniol, Paul, et al.
Veröffentlicht: (2025)