説明可能なディープデンドライト人工ニューラルネットワークに基づく新しい自動予測手法

科学分野:

• 人工知能
• 機械学習
• 時系列分析

背景:

• 自動予測手法は、実践者にとって、モデル選択およびデータ前処理における主観的な意思決定を減らす上で重要である。
• 既存の自動手法は、しばしば複雑なモデル/変数選択および仮説検定に依存している。
• 予測のためのディープラーニングモデルにおける説明可能性は、依然として大きな課題である。

研究 の 目的:

• 説明可能性のフレームワーク内で、ディープデンドライトリカレントニューラルネットワーク（DDRNN）の入力重要度およびモデル妥当性テストを提案する。
• 提案されたテストを活用したDDRNNの新しい自動予測手法を開発する。
• ベンチマークデータセットを使用して、新しい手法の予測性能を確立された技術と比較評価する。

主な方法:

• DDRNNへの入力の重要性を評価するための統計的テストの開発。
• DDRNN予測の信頼性を確保するためのモデル妥当性テストの実装。
• 開発されたテストを組み込んだDDRNNの自動予測パイプラインの作成。
• M3およびM4コンペティション時系列データセットを使用した比較分析。

主要な成果:

• 提案された入力重要度およびモデル妥当性テストは、DDRNNコンポーネントの評価において有効性を示す。