Copertina

KnowIt: Deep Time Series Modeling and Interpretation

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Theunissen, M. W., Rabe, R., Potgieter, H. L., Davel, M. H.
Natura:	Preprint
Pubblicazione:	2025
Soggetti:	Machine Learning
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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