.png){kind=icon}
返回
TimeCIEL: Contextual Interactive Ensemble Learning for Time Series Classification
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-07638-0_26.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多变量时间序列分类是一项具有挑战性的任务，黑箱模型能够实现高性能。然而，在实际应用中，可解释性对于帮助用户理解算法的决策过程至关重要，而不仅仅是其性能。在本文中，我们提出了一种适用于在线学习的时间序列分类的多智能体集成学习方法。我们的方法依赖于在每个时间步长上在特征空间中对智能体进行组织。我们证明了该方法能够达到与最先进方法相当的性能。最后，我们强调了其作为白箱模型的可解释性和可理解性。
Keyword:
Classification
Ensemble learning
Supervised learning
Timeseries
XAI
期刊
机构
引用论文
ROCKET: exceptionally fast and accurate time series classification using random convolutional kernels火箭: 使用随机卷积核的异常快速和准确的时间序列分类
OAAI
OAAI分享收藏HIVE-COTE 2.0: a new meta ensemble for time series classificationHive-cote 2.0: 一种新的时间序列分类元集成.png)
MACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏Explainable AI for Time Series Classification: A Review, Taxonomy and Research Directions用于时间序列分类的可解释AI: 回顾，分类和研究方向IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead停止解释高风险决策的黑盒机器学习模型，而改用可解释的模型OAAI
OAAI分享收藏OptunaProceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
PREAI
分享收藏
查看更多内容