ترجمه فارسی مقاله TX-Gen: بهینه سازی چند هدفی برای توضیحات ضد پراکنده برای طبقه بندی سری زمانی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی TX-Gen: Multi-Objective Optimization for Sparse Counterfactual Explanations for Time-Series Classification
عنوان مقاله به فارسی TX-Gen: بهینه سازی چند هدفی برای توضیحات ضد پراکنده برای طبقه بندی سری زمانی
نویسندگان Qi Huang, Sofoklis Kitharidis, Thomas Bäck, Niki van Stein
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Neural and Evolutionary Computing,یادگیری ماشین , هوش مصنوعی , محاسبات عصبی و تکاملی ,
توضیحات Submitted 14 September, 2024; originally announced September 2024. , Comments: Preprint, under review
توضیحات به فارسی ارسال شده در 14 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: preprint ، تحت بررسی
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

In time-series classification, understanding model decisions is crucial for their application in high-stakes domains such as healthcare and finance. Counterfactual explanations, which provide insights by presenting alternative inputs that change model predictions, offer a promising solution. However, existing methods for generating counterfactual explanations for time-series data often struggle with balancing key objectives like proximity, sparsity, and validity. In this paper, we introduce TX-Gen, a novel algorithm for generating counterfactual explanations based on the Non-dominated Sorting Genetic Algorithm II (NSGA-II). TX-Gen leverages evolutionary multi-objective optimization to find a diverse set of counterfactuals that are both sparse and valid, while maintaining minimal dissimilarity to the original time series. By incorporating a flexible reference-guided mechanism, our method improves the plausibility and interpretability of the counterfactuals without relying on predefined assumptions. Extensive experiments on benchmark datasets demonstrate that TX-Gen outperforms existing methods in generating high-quality counterfactuals, making time-series models more transparent and interpretable.

چکیده به فارسی (ترجمه ماشینی)

در طبقه بندی سری زمانی ، درک تصمیمات مدل برای کاربرد آنها در حوزه های پرخاشگر مانند مراقبت های بهداشتی و دارایی بسیار مهم است.توضیحات ضد خلاف ، که با ارائه ورودی های جایگزین که پیش بینی های مدل را تغییر می دهد ، بینش ارائه می دهد ، یک راه حل امیدوارکننده ارائه می دهد.با این حال ، روشهای موجود برای تولید توضیحات ضد عملی برای داده های سری زمانی اغلب با متعادل کردن اهداف کلیدی مانند نزدیکی ، کمبود و اعتبار می جنگند.در این مقاله ، ما TX-GEN را معرفی می کنیم ، یک الگوریتم جدید برای تولید توضیحات ضد عملی بر اساس الگوریتم ژنتیکی مرتب سازی غیر تحت سلطه (NSGA-II).TX-GEN بهینه سازی چند هدف تکاملی را برای یافتن مجموعه متنوعی از ضد اکتشافات که هم پراکنده و هم معتبر هستند ، اعمال می کند ، ضمن اینکه حداقل عدم تمایل به سری زمانی اصلی را حفظ می کند.روش ما با ترکیب یک مکانیسم با هدایت مرجع انعطاف پذیر ، امکان پذیر بودن و تفسیر قابلیت های متقابل را بدون تکیه بر فرضیات از پیش تعریف شده بهبود می بخشد.آزمایش های گسترده در مجموعه داده های معیار نشان می دهد که TX-GEN از روشهای موجود در تولید ضد مسیرهای با کیفیت بالا استفاده می کند ، و مدل های سری زمانی شفاف تر و قابل تفسیر می شوند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.