ترجمه فارسی مقاله یافتن DeepDream برای سری های زمانی: حداکثر سازی فعال سازی برای سری های زمانی تک متغیره

چکیده

Understanding how models process and interpret time series data remains a significant challenge in deep learning to enable applicability in safety-critical areas such as healthcare. In this paper, we introduce Sequence Dreaming, a technique that adapts Activation Maximization to analyze sequential information, aiming to enhance the interpretability of neural networks operating on univariate time series. By leveraging this method, we visualize the temporal dynamics and patterns most influential in model decision-making processes. To counteract the generation of unrealistic or excessively noisy sequences, we enhance Sequence Dreaming with a range of regularization techniques, including exponential smoothing. This approach ensures the production of sequences that more accurately reflect the critical features identified by the neural network. Our approach is tested on a time series classification dataset encompassing applications in predictive maintenance. The results show that our proposed Sequence Dreaming approach demonstrates targeted activation maximization for different use cases so that either centered class or border activation maximization can be generated. The results underscore the versatility of Sequence Dreaming in uncovering salient temporal features learned by neural networks, thereby advancing model transparency and trustworthiness in decision-critical domains.

چکیده به فارسی (ترجمه ماشینی)

درک چگونگی پردازش مدل ها و تفسیر داده های سری زمانی همچنان یک چالش مهم در یادگیری عمیق است تا بتواند کاربردی در زمینه های ایمنی مانند مراقبت های بهداشتی را فعال کند.در این مقاله ، ما دنباله Dreaming را معرفی می کنیم ، تکنیکی که حداکثر فعال سازی را برای تجزیه و تحلیل اطلاعات پی در پی تطبیق می دهد ، با هدف تقویت تفسیر شبکه های عصبی که در سری زمانی یک متغیره فعالیت می کنند.با استفاده از این روش ، ما دینامیک زمانی و الگوهای تأثیرگذار را در فرآیندهای تصمیم گیری مدل تجسم می کنیم.برای مقابله با تولید توالی های غیرواقعی یا بیش از حد پر سر و صدا ، ما رویای توالی را با طیف وسیعی از تکنیک های منظم ، از جمله صاف کردن نمایی تقویت می کنیم.این رویکرد تولید توالی هایی را که با دقت بیشتری منعکس کننده ویژگی های مهم مشخص شده توسط شبکه عصبی است ، تضمین می کند.رویکرد ما در یک مجموعه داده طبقه بندی سری زمانی که شامل برنامه های کاربردی در نگهداری پیش بینی شده است ، آزمایش می شود.نتایج نشان می دهد که رویکرد رویای توالی پیشنهادی ما حداکثر فعال سازی هدفمند را برای موارد استفاده های مختلف نشان می دهد تا بتوانید کلاس محور یا حداکثر فعال سازی مرزی ایجاد شود.نتایج تأکید بر تطبیق پذیری دنباله رویای در کشف ویژگی های زمانی برجسته که توسط شبکه های عصبی آموخته شده است ، از این طریق شفافیت مدل و اعتماد به نفس در حوزه های تصمیم گیری را پیش می برد.