@article{oai:ipsj.ixsq.nii.ac.jp:02006859,
 author = {山口,晃広 and 植野,研 and 新垣,隆生 and 鹿島,久嗣 and Akihiro Yamaguchi and Ken Ueno and Ryusei Shingaki and Hisashi Kashima},
 issue = {1},
 journal = {情報処理学会論文誌データベース（TOD）},
 month = {Jan},
 note = {IoTの普及により，機械学習あるいはAIにより時系列データのクラスを分類する時系列分類技術の重要性が高まっている．一方，高い信頼性や安全性が求められる産業分野では，学習済みの分類器を解釈できることが求められ，説明可能AI（XAI）の必要性も高まっている．XAIにおける反事実説明では，元の特徴をどのように修正すれば，分類器の判定が望ましいクラスに切り替わるかを示すことで，その分類器を解釈できる．特に時系列データでは，それを構成する特徴は互いに独立ではなく時間的に依存する．そのため，元の時系列データから変形できる区間を考慮してその区間内だけで特徴を修正することが，時系列データの反事実説明（反事実波形）において重要である．本論文では，変形区間とそれらを考慮した反事実説明を同時に最適化する反事実波形生成手法を提案する．提案手法ではエンドツーエンドで反事実波形の生成と変形区間の特定ができるように連続最適化問題を定式化する．UCRアーカイブを用いた実験評価では，35種類のデータセットを用いてその有効性を定量的に示し，2つのケーススタディで生成された反事実波形における説明性の妥当性を定性的に示す．, With the spread of IoT, the importance of time-series classification, in which AI based on machine learning classifies classes of time-series instances, is increasing. On the other hand, in the industrial sector, where high reliability and safety are required, it is necessary to interpret the learned classifiers, and thus the need for explainable AI (XAI) is also increasing. In XAI, counterfactual explanations provide insights into a classifier's decision-making process by recommending how original features should be modified to alter the classifier's prediction to a desired class. In particular, the features that make up time-series data are inherently interdependent and ordered in time. Therefore, it is important for counterfactual explanations in time-series data to consider local deformation intervals when features are modified. In this paper, we propose a time-series counterfactual generation method that jointly optimizes counterfactuals and their deformation intervals. The proposed method formulates it as a continuous optimisation problem to generate counterfactuals and deformation intervals in an end-to-end manner given a bounded number of deformation intervals. Experimental evaluation using the UCR archive quantitatively demonstrates its effectiveness on 35 datasets and qualitatively shows the interpretability validity of the counterfactuals generated in two case studies.},
 pages = {1--10},
 title = {学習可能な変形区間を持つ時系列分類向け反事実説明},
 volume = {19},
 year = {2026}
}