.png){kind=icon}
返回
Towards Explainable Sequential Learning
.png){kind=icon}
OA
AI
DOI：10.2298/CSIS250303077B.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种混合可解释的时序数据处理流水线，即数据丰富可解释的多变量相关时序人工智能（EMeriTAte+DF），通过验证的人工智能原理，将数值驱动的时序数据分类与基于事件的分类相结合，实现可解释给人类的结果。这是通过一个初步的后验可解释阶段实现的，该阶段描述了以具有数值载荷的并发成分为特征的数值输入数据。这进一步要求扩展基于事件的文献，以设计支持并发成分的规格说明挖掘算法。我们先前和当前的解决方案在本文考虑的四个数据集上的多变量时间序列分类中优于当前最先进的算法，从而展示了所提出方法的有效性，该方法率先提取具有数据丰富特征的多变量时间序列（MTS）维度中的可解释相关性。
Keyword:
Verified AI
eXplainable AI (XAI)
polyadic logs
Data Trends
Poly-DECLARE
Multivariate Time Series Classification
期刊
C
IF:
1.8
论文数:
39
被引数:
0
机构
引用论文
.png){kind=icon}
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LTR-MDTS structure - a structure for multiple dependent time series predictionLTR-MDTS结构——一种用于多依赖时间序列预测的结构OAAI
OAAI分享收藏
查看更多内容