Towards Explainable Sequential Learning

要約

このホワイトペーパーでは、ハイブリッドの説明可能な時間データ処理パイプライン、データフル説明可能な多変量相関時間的人工知能（emeryate+DF）、検証済みの人工知能原理を通じてイベントベースの分類を橋渡しし、人間と実証可能な結果を​​可能にします。
これは、数値ペイロードと同時構成要素の観点から数値入力データを記述する事後説明可能な段階で可能でした。
これには、同時成分をサポートする仕様マイニングアルゴリズムを設計するために、イベントベースの文献を拡張する必要がありました。
以前の現在および現在のソリューションは、多変量の時系列分類のための最先端のソリューションよりも優れているため、提案された方法論の有効性を示しています。

要約(オリジナル)

This paper offers a hybrid explainable temporal data processing pipeline, DataFul Explainable MultivariatE coRrelatIonal Temporal Artificial inTElligence (EMeriTAte+DF), bridging numerical-driven temporal data classification with an event-based one through verified artificial intelligence principles, enabling human-explainable results. This was possible through a preliminary a posteriori explainable phase describing the numerical input data in terms of concurrent constituents with numerical payloads. This further required extending the event-based literature to design specification mining algorithms supporting concurrent constituents. Our previous and current solutions outperform state-of-the-art solutions for multivariate time series classifications, thus showcasing the effectiveness of the proposed methodology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google