Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
SHAP pour Séries Temporelles (Temporal SHAP)
Adaptation de la méthode SHAP (SHapley Additive exPlanations) qui prend en compte la dépendance temporelle des observations pour attribuer l'importance de chaque pas de temps à la prédiction finale.
LSTM-Attribution
Technique d'interprétabilité spécifique aux réseaux de neurones récurrents de type LSTM, qui quantifie la contribution de chaque état caché ou cellule mémoire à la sortie du modèle.
Perturbation Temporelle Guidée (Guided Temporal Perturbation)
Approche d'interprétabilité qui modifie systématiquement des segments de la série temporelle pour observer l'impact sur la prédiction, en utilisant des heuristiques pour cibler les périodes les plus influentes.
Saliency Map Séquentielle (Sequential Saliency Map)
Génération de cartes de saillance adaptées aux données séquentielles, où chaque point de la séquence reçoit un score d'importance basé sur le gradient de la sortie par rapport à l'entrée à ce moment précis.
Integrated Gradients Temporels (Temporal Integrated Gradients)
Extension de la méthode Integrated Gradients qui intègre les gradients le long d'un chemin dans l'espace des séries temporelles, souvent en partant d'une séquence de base (ex: zéros ou une séquence moyenne).
Explicabilité par Contre-factuel Temporel (Temporal Counterfactual Explanation)
Génération d'une séquence temporelle alternative minimale qui aurait conduit à une prédiction différente, permettant de comprendre les conditions critiques pour la décision du modèle.
Décomposition par Additive Functional (Functional ANOVA)
Méthode statistique qui décompose la fonction de prédiction d'un modèle temporel en effets principaux (périodes individuelles) et effets d'interaction (périodes combinées) pour quantifier leur influence.
Interprétabilité par ondelettes (Wavelet-based Interpretability)
Utilisation de la transformée en ondelettes pour décomposer la série temporelle en différentes fréquences et localiser les motifs qui influencent le plus la prédiction du modèle.
Règles d'Association Temporelles (Temporal Association Rules)
Extraction de règles de type 'si motif A se produit à un temps t, alors prédiction B' pour expliquer le comportement du modèle en termes de patterns temporels compréhensibles.
LIME pour Séries Temporelles (Time-LIME)
Adaptation de LIME (Local Interpretable Model-agnostic Explanations) qui échantillonne des segments de la série temporelle pour créer un modèle linéaire local expliquant la prédiction en un point donné.
Profil d'Influence Temporelle (Temporal Influence Profile)
Représentation graphique de l'impact de chaque pas de temps passé sur la prédiction actuelle, révélant la mémoire ou l'horizon pertinent du modèle pour une tâche spécifique.
Analyse de Sensibilité Causale (Causal Sensitivity Analysis)
Évaluation de la sensibilité du modèle à des interventions causales sur la série temporelle, en distinguant la corrélation de la causalité pour une interprétation plus robuste.
Explication par Prototype Temporel (Temporal Prototype Explanation)
Méthode qui identifie les séquences temporelles prototypes (les plus représentatives) d'une classe de prédiction et explique une nouvelle prédiction par sa similarité à ces prototypes.
Décomposition de l'Erreur Temporelle (Temporal Error Decomposition)
Technique qui dissocie l'erreur de prédiction du modèle en composantes liées à des phases spécifiques de la série temporelle (ex: bruit, tendance, saisonnalité) pour cibler les points faibles.
Interprétation par Modèle de Surrogat Temporel (Temporal Surrogate Model)
Entraînement d'un modèle simple et interprétable (ex: ARIMA, régression linéaire) pour approximer localement le comportement d'un modèle complexe (ex: réseau de neurones) sur une fenêtre temporelle donnée.
Visualisation d'État Caché RNN (RNN Hidden State Visualization)
Ensemble de techniques (ex: ACP, t-SNE) appliquées aux vecteurs d'état caché des RNN pour visualiser la dynamique interne du modèle et identifier les phases d'apprentissage de motifs temporels.