📊 statistics

Multi-SpaCE: Multi-Objective Subsequence-based Sparse Counterfactual Explanations for Multivariate Time Series Classification

Cet article introduit Multi-SpaCE, une nouvelle méthode d'explication contrefactuelle multi-objectif pour la classification de séries temporelles multivariées qui exploite NSGA-II pour générer des solutions valides, éparses et plausibles tout en équilibrant la proximité et la contiguïté afin de surmonter les limites des approches univariées existantes.

Auteurs originaux : Mario Refoyo, David Luengo

Publié 2026-07-20

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Mario Refoyo, David Luengo

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous parliez à un robot super intelligent capable de prédire l'avenir, comme diagnostiquer une maladie à partir d'un battement de cœur ou repérer un krach boursier avant qu'il ne se produise. Ces robots sont construits en utilisant le « Deep Learning » (apprentissage profond), un type d'intelligence artificielle qui est incroyablement doué pour résoudre des problèmes difficiles, mais qui est aussi une véritable « boîte noire ». Vous lui donnez des données, et il donne une réponse, mais il est incapable de vous expliquer pourquoi il a fait ce choix. C'est comme un ami qui vous dit : « Je sais que tu vas rater cet examen », mais qui refuse de vous expliquer quelles questions vous avez ratées. C'est un problème majeur car, dans la vie réelle — comme dans les hôpitaux ou les banques — nous avons besoin de faire confiance à la logique du robot avant d'agir sur la base de ses conclusions.

Pour corriger cela, les scientifiques utilisent ce qu'on appelle les « Explications Contrefactuelles ». Considérez cela comme un jeu de « Et si ? ». Au lieu de simplement dire « Tu as échoué », le robot dit : « Tu aurais réussi si tu avais étudié un chapitre de plus ». Il trouve le changement le plus petit et le plus logique nécessaire pour inverser un résultat d'un échec vers un succès. Mais voici la partie délicate : lorsque les données ne sont pas seulement une liste de chiffres (comme un tableur) mais un flux d'informations continu au fil du temps — comme un moniteur cardiaque ou un capteur météorologique — créer ces suggestions de « Et si ? » devient complexe. Le robot pourrait suggérer des changements impossibles dans le monde réel, ou bien il pourrait changer trop de choses à la fois, rendant l'explication déroutante.

C'est là qu'intervient une nouvelle méthode appelée Multi-SpaCE. Les chercheurs derrière celle-ci, Mario Refoyo et David Luengo, ont réalisé que les outils existants pour les données de séries temporelles étaient trop rigides. Ils étaient comme un tailleur essayant d'ajuster un costume en ne coupant qu'une seule ligne droite, ignorant que le tissu possède différents motifs et textures. Multi-SpaCE est un tailleur plus intelligent et plus flexible. Il utilise une stratégie de recherche astucieuse (un algorithme génétique, qui imite l'évolution de la nature) pour trouver les scénarios de « Et si ? » parfaits pour des données complexes et multicanaux.

L'article conclut que Multi-SpaCE change la donne car il garantit que les scénarios de « Et si ? » qu'il crée fonctionnent réellement. Alors que d'autres méthodes suggèrent souvent des changements qui semblent bons mais qui échouent en réalité à changer l'avis du robot (comme suggérer d'étudier un chapitre qui n'existe pas), Multi-SpaCE garantit une validité de 100 %. Il gère également des données avec de nombreuses parties mobiles simultanément (multivariées), comme un moniteur cardiaque qui suit la fréquence cardiaque, la pression artérielle et les niveaux d'oxygène en même temps, plutôt qu'un seul signal.

Les chercheurs ont testé leur méthode sur des dizaines de jeux de données réels, allant des battements de cœur aux mouvements des mains, et ont constaté que Multi-SpaCE produisait systématiquement des explications valides qui étaient également parcimonieuses (changeant le moins de choses possible) et plausibles (ressemblant à des données réelles). Contrairement à d'autres méthodes qui vous forcent à choisir une seule « meilleure » réponse en devinant à quel point vous accordez de l'importance à différents facteurs, Multi-SpaCE vous offre tout un menu d'options. Il présente une « frontière de Pareto », qui est comme un menu où vous pouvez voir les compromis : « Voici une explication qui change très peu mais qui semble un peu étrange », ou « Voici une autre qui semble très naturelle mais qui change un peu plus ». Cela permet à l'utilisateur de choisir l'explication qui correspond à ses besoins spécifiques, garantissant que le raisonnement du robot est non seulement correct, mais aussi compréhensible et digne de confiance.

Résumé Technique : Multi-SpaCE

Énoncé du Problème
Les systèmes d'apprentissage profond, bien qu'efficaces pour des tâches complexes telles que la classification de séries temporelles multivariées, manquent souvent de transparence, ce qui entrave leur déploiement dans des domaines à enjeux élevés. Les explications contrefactuelles (CFE) offrent une solution en identifiant les changements minimaux d'entrée requis pour modifier la prédiction d'un modèle. Cependant, les méthodes de CFE existantes pour les séries temporelles font face à trois limitations critiques :

Biais Univarié : De nombreuses méthodes sont restreintes aux données univariées, ne parvenant pas à traiter la complexité des séries temporelles multivariées courantes dans les applications du monde réel (ex. : santé, finance).
Contraintes Rigides : Les approches imposent souvent des sous-séquences de longueur fixe ou limitent les modifications à une seule sous-séquence, ce qui réduit la flexibilité et peut introduire des changements inutiles.
Problèmes de Validité : La validité (garantir que le contrefactuel change réellement la classe prédite) est fréquemment traitée comme un objectif d'optimisation plutôt que comme une contrainte stricte. Par conséquent, de nombreuses méthodes heuristiques ne parviennent pas à garantir des explications valides, rendant leurs autres mesures de performance (parcimonie, plausibilité) insignifiantes.

Méthodologie : Multi-SpaCE
Le document présente Multi-SpaCE, une méthode d'explication contrefactuelle multi-objectif conçue spécifiquement pour les séries temporelles multivariées. Elle étend le travail précédent des auteurs, Sub-SpaCE, en intégrant un cadre d'optimisation multi-objectif basé sur l'algorithme génétique de tri non dominé II (NSGA-II).

Mécanisme Central : La méthode génère des contrefactuels ( $x'$ ) en identifiant un « Voisin l'Opposé le Plus Proche » (NUN — Nearest Unlike Neighbor) — l'instance la plus proche provenant d'une classe différente — et en substituant des sous-séquences spécifiques de l'entrée originale ( $x$ ) par des valeurs issues du NUN.
Adaptation Multivariée : Pour gérer les données multivariées, Multi-SpaCE emploie une stratégie de double masque :
- Masque Commun : Un masque binaire unique partagé entre tous les canaux, utilisé initialement pour optimiser les changements globaux.
- Masque Indépendant : Un masque binaire distinct pour chaque canal, utilisé lors des étapes ultérieures pour affiner les solutions et permettre des modifications spécifiques à chaque canal.
Opérateurs de Mutation : L'algorithme génétique utilise des opérateurs de mutation spécialisés adaptés aux séries temporelles :
- Extension/Compression de Sous-séquence : Modifie la longueur des segments de changement contigus existants.
- Suppression de Sous-séquence : Élimine des sous-séquences entières pour accélérer la convergence dans des contextes multivariés complexes.
Fonctions d'Objectif : L'optimisation équilibre quatre objectifs conflictuels sans réglage manuel des hyperparamètres :
1. Validité : Appliquée strictement via un terme de pénalisation important ( $\nu$ ) pour toute solution qui ne change pas la classe prédite.
2. Proximité : Minimise la distance entre les instances originales et contrefactuelles.
3. Parcimonie : Minimise le nombre total de pas de temps modifiés.
4. Contiguïté : Minimise le nombre de sous-séquences distinctes de changements pour améliorer l'interprétabilité.
5. Plausibilité : Pénalise les écarts par rapport à la variété des données (data manifold) en utilisant un score d'anomalie basé sur un auto-encodeur.
Sortie : Au lieu d'une solution unique, Multi-SpaCE renvoie un front de Pareto de solutions non dominées, permettant aux utilisateurs finaux de choisir les explications qui correspondent le mieux à leurs préférences de compromis entre parcimonie, plausibilité et contiguïté.

Contributions Clés

Premier Méthode Multi-Objectif Multivariée : Multi-SpaCE est présentée comme la première méthode fournissant un cadre d'optimisation multi-objectif spécifiquement conçu pour générer des contrefactuels valides dans la classification de séries temporelles multivariées.
Garantie de Validité Stricte : Contrairement à de nombreuses approches existantes qui traitent la validité comme une contrainte souple, Multi-SPA CE l'impose comme une exigence stricte, garantissant une validité de 100 % dans les résultats expérimentaux.
Gestion Flexible des Sous-séquences : La méthode évite les contraintes rigides de longueur fixe ou de sous-séquence unique, utilisant un algorithme génétique pour découvrir des sous-séquences optimales de longueur variable à travers plusieurs canaux.
Génération de Front de Pareto : En exploitant NSGA-II, la méthode fournit un ensemble diversifié de solutions optimales, éliminant le besoin pour les utilisateurs de régler manuellement les poids des fonctions d'utilité pour équilibrer les objectifs conflictuels.

Résultats Expérimentaux
Les auteurs ont évalué Multi-SpaCE sur 15 jeux de données univariés et 10 multivariés issus des archives UCR et UEA, en le comparant à des méthodes de référence de pointe (ex. : Native Guide, Glacier, COMTE, AB-CF, DiscoX).

Validité : Multi-SpaCE a atteint une validité parfaite (1.0) sur tous les jeux de données. En revanche, de nombreuses méthodes de référence (particulièrement en contexte multivarié) ont montré des taux de validité nettement inférieurs, certaines échouant à produire des contrefactuels valides pour la majorité des instances.
Proximité : Bien qu'elle ne soit pas explicitement optimisée comme un objectif primaire, Multi-SpaCE a obtenu des scores de proximité compétitifs, se classant deuxième en moyenne pour les jeux de données univariés et première pour les jeux de données multivariés parmi les solutions valides.
Plausibilité : Multi-SpaCE a démontré une plausibilité robuste, se classant hautement selon différents modèles de détection d'anomalies (Auto-encodeur, Isolation Forest, Local Outlier Factor). Notamment, elle a maintenu une plausibilité élevée alors que d'autres méthodes avec de meilleurs scores souffraient souvent d'une faible validité.
Parcimonie et Contiguïté : La méthode a efficacement équilibré la parcimonie et le nombre de sous-séquences, atteignant les valeurs médianes les plus basses dans les mesures combinées pour les jeux de données univariés et multivariés.

Signification et Revendications
L'article affirme que Multi-SpaCE comble une lacune fondamentale dans l'explicabilité des séries temporelles en garantissant que les explications contrefactuelles sont non seulement interprétables et parcimonieuses, mais surtout valides. Les auteurs soutiennent que sans une validité garantie, les autres mesures de performance sont sans intérêt. En fournissant un front de Pareto de solutions, Multi-SpaCE offre une flexibilité pour divers besoins d'utilisateurs sans nécessiter d'expérimentations extensives pour régler les hyperparamètres. La méthode est présentée comme un outil agnostique au modèle et efficace sur le plan computationnel, surpassant les approches existantes en termes de fiabilité et d'adaptabilité pour les applications réelles de séries temporelles multivariées. Les travaux futurs suggérés par les auteurs incluent l'intégration de modèles génératifs (VAE, GAN) pour des modifications plus réalistes et des techniques de génération amortie pour réduire la charge de calcul.

Articles similaires