arXivは2026年11月7日(現地時間)、時間軸を伴うデータ（時系列データ）の分類器において、高い精度と解釈可能性、および根拠が弱い場合の棄権能力を同時に実現する新手法「コンセプトタイム (ConceptTime)」を発表した。この手法は、予測誤差「predictive surprise」を用いてセグメント境界を特定し、データの動的な振る舞いを「コンセプト」として定義する。従来の時系列分類器が抱える構造的な課題を解決するとされる。
この研究は、時系列分類器がリスクに敏感な分野で展開される際に、正確性、解釈可能性、および証拠が不十分な場合に分類を棄権する能力という三つの要件を同時に満たすことが困難であるという課題を指摘している。既存の手法は、固定ウィンドウや専門家がアノテーションした語彙を用いることで、この三つの特性のいずれかを犠牲にしていた。
コンセプトタイムは、単一の自己教師あり学習信号を通じてこの課題を解決する。凍結された確率的予測器が各タイムステップで次の観測値の分布を予測し、その予測と実際の信号との不一致をpredictive surpriseと呼ぶ。この信号は、セグメント境界の特定と、結果として得られる各セグメントの特性評価の両方に利用される。これにより、セグメントは見た目ではなく、期待値に対してどのように振る舞ったかによって基礎づけられる。これらの要約は、「concepts（コンセプト）」と呼ばれる動的レジームの語彙としてクラスタリングされる。軽量なヘッドがコンセプトのシーケンスから分類を行い、最も近いコンセプトへの距離から信頼性を導き出す。
コンセプトタイムは、17の公開ベンチマークにおいて、最先端のブラックボックス型精度に匹敵する性能を示した。また、全ての解釈可能なベースライン手法を上回り、てんかん (Epilepsy) データセットでは1%のラベルデータで98%近い精度を維持した。さらに、単一のアノテーション、言語モデルの呼び出し、またはドメインエキスパートなしで、OOD (Out-of-Distribution) 検出および削除忠実性において、softmax、prototype-distance、SHAP、TimeX、TimeX++といった手法と競合する性能を発揮している。本研究は、ニューリップス (NeurIPS) 2026のメイン・トラック、ポスター発表として採択された。
参考: arXiv cs.LG (アーカイブ) — 2026年11月11日 14:00 (JST)
原文ハイライト"Predictive Surprise as Self-Grounding Concept Bottleneck for Interpretable Time Series"