Buchumschlag

Interpretability in Deep Time Series Models Demands Semantic Alignment

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	De Felice, Giovanni, D'Elia, Riccardo, Termine, Alberto, Barbiero, Pietro, Marra, Giuseppe, Santini, Silvia
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Foundations of Interpretable Models
von: Barbiero, Pietro, et al.
Veröffentlicht: (2025)

Causally Reliable Concept Bottleneck Models
von: De Felice, Giovanni, et al.
Veröffentlicht: (2025)

Interpretable Neural System Dynamics: Combining Deep Learning with System Dynamics Modeling to Support Critical Applications
von: D'Elia, Riccardo
Veröffentlicht: (2025)

Causal Concept Graph Models: Beyond Causal Opacity in Deep Learning
von: Dominici, Gabriele, et al.
Veröffentlicht: (2024)

Actionable Interpretability Must Be Defined in Terms of Symmetries
von: Barbiero, Pietro, et al.
Veröffentlicht: (2026)

Prototype-Grounded Concept Models for Verifiable Concept Alignment
von: Colamonaco, Stefano, et al.
Veröffentlicht: (2026)

Interpretable Hierarchical Concept Reasoning through Attention-Guided Graph Learning
von: Debot, David, et al.
Veröffentlicht: (2025)

Interpretable Concept-Based Memory Reasoning
von: Debot, David, et al.
Veröffentlicht: (2024)

Federated Concept-Based Models: Interpretable models with distributed supervision
von: Fenoglio, Dario, et al.
Veröffentlicht: (2026)

Towards explainable decision support using hybrid neural models for logistic terminal automation
von: D'Elia, Riccardo, et al.
Veröffentlicht: (2025)

Relational Concept Bottleneck Models
von: Barbiero, Pietro, et al.
Veröffentlicht: (2023)

Counterfactual Concept Bottleneck Models
von: Dominici, Gabriele, et al.
Veröffentlicht: (2024)

Neural Interpretable Reasoning
von: Barbiero, Pietro, et al.
Veröffentlicht: (2025)

Interpretable Neural-Symbolic Concept Reasoning
von: Barbiero, Pietro, et al.
Veröffentlicht: (2023)

Why Do Time Series Models Need Long Context Windows?
von: Butera, Luca, et al.
Veröffentlicht: (2026)

On the Regularization of Learnable Embeddings for Time Series Forecasting
von: Butera, Luca, et al.
Veröffentlicht: (2024)

Towards Better Generalization and Interpretability in Unsupervised Concept-Based Models
von: De Santis, Francesco, et al.
Veröffentlicht: (2025)

Quantifying the Accuracy-Interpretability Trade-Off in Concept-Based Sidechannel Models
von: Debot, David, et al.
Veröffentlicht: (2025)

KnowIt: Deep Time Series Modeling and Interpretation
von: Theunissen, M. W., et al.
Veröffentlicht: (2025)

Physically Interpretable Representation Learning with Gaussian Mixture Variational AutoEncoder (GM-VAE)
von: Fan, Tiffany, et al.
Veröffentlicht: (2025)

Mixture of Concept Bottleneck Experts
von: De Santis, Francesco, et al.
Veröffentlicht: (2026)

A foundation model for electrodermal activity data
von: Alchieri, Leonardo, et al.
Veröffentlicht: (2026)

AnyCBMs: How to Turn Any Black Box into a Concept Bottleneck Model
von: Dominici, Gabriele, et al.
Veröffentlicht: (2024)

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

Towards Multimodal Time Series Anomaly Detection with Semantic Alignment and Condensed Interaction
von: Hu, Shiyan, et al.
Veröffentlicht: (2026)

Hierarchical Multimodal LLMs with Semantic Space Alignment for Enhanced Time Series Classification
von: Tao, Xiaoyu, et al.
Veröffentlicht: (2024)

Deep Time Warping for Multiple Time Series Alignment
von: Nourbakhsh, Alireza, et al.
Veröffentlicht: (2025)

R-Tuning: Wavelet-Decomposed Replay and Semantic Alignment for Continual Adaptation of Pretrained Time-Series Models
von: Yin, Tianyi, et al.
Veröffentlicht: (2025)

Scalable Evaluation and Neural Models for Compositional Generalization
von: Camposampiero, Giacomo, et al.
Veröffentlicht: (2025)

If Concept Bottlenecks are the Question, are Foundation Models the Answer?
von: Debole, Nicola, et al.
Veröffentlicht: (2025)

Towards Interpretable Concept Learning over Time Series via Temporal Logic Semantics
von: Ferfoglia, Irene, et al.
Veröffentlicht: (2025)

Measuring Time Series Forecast Stability for Demand Planning
von: Klee, Steven, et al.
Veröffentlicht: (2025)

Deferring Concept Bottleneck Models: Learning to Defer Interventions to Inaccurate Experts
von: Pugnana, Andrea, et al.
Veröffentlicht: (2025)

On the Internal Semantics of Time-Series Foundation Models
von: Pandey, Atharva, et al.
Veröffentlicht: (2025)

Physically Interpretable Representation and Controlled Generation for Turbulence Data
von: Fan, Tiffany, et al.
Veröffentlicht: (2025)

Relational Neurosymbolic Markov Models
von: De Smet, Lennert, et al.
Veröffentlicht: (2024)

Guided by Stars: Interpretable Concept Learning Over Time Series via Temporal Logic Semantics
von: Ferfoglia, Irene, et al.
Veröffentlicht: (2025)

Demand Forecasting for Platelet Usage: from Univariate Time Series to Multivariate Models
von: Motamedi, Maryam, et al.
Veröffentlicht: (2021)

Counterfactual Explanations for Clustering Models
von: Spagnol, Aurora, et al.
Veröffentlicht: (2024)

FLUX: Efficient Descriptor-Driven Clustered Federated Learning under Arbitrary Distribution Shifts
von: Fenoglio, Dario, et al.
Veröffentlicht: (2025)