TimeSliver : Symbolic-Linear Decomposition for Explainable Time Series Classification

Each language version is independently generated for its own context, not a direct translation.

🕵️‍♂️ TimeSliver : Le Détective des Séquences Temporelles

Imaginez que vous écoutez une chanson complète pour deviner le genre musical (rock, jazz, classique). Un modèle d'intelligence artificielle (IA) peut le faire très bien, mais il agit comme une "boîte noire". Il vous donne la réponse, mais vous ne savez pas pourquoi. Est-ce le solo de guitare ? Le rythme de la batterie ? Ou simplement le silence entre deux notes ?

C'est là que TimeSliver intervient. C'est un nouveau système conçu non seulement pour prédire, mais pour expliquer exactement quels moments d'une séquence (une chanson, un rythme cardiaque, une vibration de machine) ont été les plus importants pour prendre la décision.

🧩 Le Problème : Les Détectives Actuels sont Confus

Les méthodes actuelles pour expliquer les IA sont comme des détectives qui regardent chaque seconde de la chanson isolément, sans écouter le contexte.

Elles sont souvent sensibles : si vous changez légèrement le volume, leur explication change complètement.
Elles oublient la suite : elles ne comprennent pas que le moment A influence le moment B.
Parfois, elles disent que c'est important alors que ce n'est pas vrai (comme un détectif qui accuse le mauvais suspect).

💡 La Solution : TimeSliver (La "Tranche de Temps")

TimeSliver change la donne en utilisant une approche en deux étapes, un peu comme un chef cuisinier qui prépare un plat complexe.

1. La Réduction en "Symboles" (Le Résumé)
Imaginez que vous avez un long texte de 100 pages. Au lieu de le lire mot par mot, vous le résumez en mots-clés : "Action", "Amour", "Danger".
TimeSliver fait pareil avec les données. Il prend les nombres bruts (les courbes complexes) et les transforme en symboles simples (des catégories comme "montée", "descente", "plateau").

L'analogie : C'est comme transformer une partition musicale complexe en une liste de notes simples (Do, Ré, Mi) pour mieux voir la structure.

2. La Ligne Magique (La Combinaison)
Ensuite, le système regarde deux choses en même temps :

La version "brute" (les détails précis).
La version "symbolique" (le résumé).

Il les combine avec une formule mathématique simple (linéaire). C'est comme si le chef cuisinier mélangeait les ingrédients bruts avec sa liste de saveurs clés pour créer un plat final.

Pourquoi c'est génial ? Parce que la formule est simple, on peut facilement inverser le processus. On peut dire : "Ah ! C'est ce moment précis (ce symbole) qui a fait que le plat a eu ce goût."

🏆 Les Résultats : Plus Clair et Plus Précis

Les auteurs ont testé TimeSliver sur plein de choses :

Des sons d'animaux (pour savoir quel animal crie).
Des électrocardiogrammes (pour détecter des problèmes de sommeil ou de cœur).
Des vibrations de machines (pour prédire une panne).

Les résultats sont impressionnants :

Plus précis : TimeSliver trouve les bons moments importants 11 % de mieux que les meilleurs détectives actuels.
Pas moins performant : Il prédit aussi bien que les modèles les plus complexes (les "boîtes noires"), tout en étant transparent.
Double vision : Il peut dire non seulement ce qui a aidé la prédiction (les "positifs"), mais aussi ce qui a nui à la prédiction (les "négatifs"). C'est comme savoir quel ingrédient a gâché le gâteau.

🌟 En Résumé

TimeSliver, c'est comme donner des lunettes de vision nocturne à une IA. Au lieu de simplement vous dire "C'est un chat", elle vous montre : "Regarde ici, à la 3ème seconde, la forme de l'oreille et le mouvement de la queue sont ce qui m'ont permis de dire que c'est un chat."

C'est une avancée majeure pour rendre l'intelligence artificielle fiable et compréhensible, surtout dans des domaines vitaux comme la santé ou la finance, où comprendre le "pourquoi" est aussi important que la réponse elle-même.

Each language version is independently generated for its own context, not a direct translation.

1. Problématique

Les modèles d'apprentissage profond (DL) comme les CNN, les LSTM et les Transformers excellent dans la classification de séries temporelles, mais leur manque d'interprétabilité limite leur adoption dans des domaines à haut risque (santé, finance, droit).
Les méthodes d'explication a posteriori (post-hoc) existantes, telles que les méthodes basées sur les gradients (Grad-CAM, Integrated Gradients) ou les attributions de caractéristiques (SHAP, LIME), souffrent de plusieurs défauts majeurs :

Sensibilité à l'état de référence : Leurs explications varient considérablement selon le choix de la référence.
Ignorance des dépendances séquentielles : Elles traitent souvent les points temporels de manière indépendante.
Manque de fidélité (Unfaithfulness) : Les poids d'attention dans les Transformers ne correspondent pas toujours à l'importance réelle des segments temporels.
Limites des méthodes basées sur l'attention : Elles peinent à fournir des mesures fiables de l'importance temporelle, en particulier pour les séries multivariées.

L'objectif est donc de développer un cadre d'apprentissage profond intrinsèquement explicable capable de fournir des scores d'attribution temporelle (positifs et négatifs) fiables pour des séries temporelles multivariées, tout en maintenant des performances prédictives de pointe.

2. Méthodologie : TimeSliver

TimeSliver est un cadre d'apprentissage profond qui combine les données brutes et leur abstraction symbolique pour construire une représentation linéaire explicite. L'architecture se compose de trois modules clés :

Module I : Représentation Latente des Segments Temporels

L'entrée brute $x_i$ (série temporelle multivariée) est divisée en segments temporels chevauchants de longueur $m$ .
Un opérateur de convolution 1D (paramétré par $\theta_q$ ) transforme chaque segment en un vecteur de caractéristiques latentes $Q \in \mathbb{R}^{\kappa \times q}$ , où $\kappa$ est le nombre de segments.
Ce module capture les contextes temporels locaux.

Module II : Représentation par Composition Symbolique

Chaque variable de la série temporelle est discrétisée en $n$ classes (bins) via une stratégie de binning fixe (inspirée de SAX), créant une matrice symbolique $s_i$ .
Cette matrice est encodée en "one-hot" pour former une matrice $O$ .
Une moyenne glissante (pooling) est appliquée sur $O$ pour obtenir une matrice de composition symbolique $Z \in \mathbb{R}^{\kappa \times (n \cdot v)}$ . Chaque ligne de $Z$ représente la distribution de fréquence des motifs symboliques au sein d'un segment temporel.
Avantage clé : Cette représentation est invariante à l'échelle (scale-invariant), évitant les attributions erronées dues à de fortes magnitudes numériques sans signification sémantique.

Module III : Interaction Globale Linéaire

Pour capturer les interactions globales entre les segments, TimeSliver calcule une matrice d'interaction $P$ par multiplication linéaire : $P = Z^\top Q$ .
$P \in \mathbb{R}^{(n \cdot v) \times q}$ agrège les relations linéaires entre les motifs symboliques et les représentations latentes. La taille de $P$ est indépendante de la longueur de la séquence $L$ .
Une couche linéaire finale ( $f_{cls}$ ) projette $P$ vers les logits de sortie pour la classification.
Calcul des Attributions : Grâce à la nature linéaire de la projection finale, les scores d'attribution temporelle ( $\phi^+$ et $\phi^-$ ) sont calculés de manière non paramétrique en décomposant la contribution de chaque segment $k$ via les gradients de $P$ et les termes $Z_{ki}Q_{kj}$ . L'utilisation de la fonction ReLU permet de distinguer clairement les contributions positives (poussant vers la classe prédite) et négatives (poussant loin de la classe).

3. Contributions Clés

Cadre Explicable par Conception : TimeSliver est un modèle d'apprentissage profond qui apprend des représentations compactes via une composition linéaire de représentations symboliques et latentes, fournissant des scores d'importance temporelle sans nécessiter de méthodes post-hoc.
Attributions Positives et Négatives : Le modèle fournit une explication complète en identifiant non seulement quels points temporels favorisent la prédiction, mais aussi ceux qui la défavorisent (attributions négatives).
Invariance d'Échelle et Robustesse : L'utilisation de la représentation symbolique $Z$ garantit que les scores d'attribution dépendent des motifs temporels et non de l'amplitude brute des données, résolvant un problème majeur des méthodes basées sur les gradients.
Performance Équilibrée : Le modèle maintient une capacité prédictive de pointe tout en étant hautement interprétable.

4. Résultats Expérimentaux

Les auteurs ont évalué TimeSliver sur 7 jeux de données (4 synthétiques, 3 réels : EEG, diagnostic de pannes, sons animaux) et sur le benchmark UEA (26 jeux de données multivariées).

Explicabilité (Attribution Temporelle) :
- Sur les jeux de données synthétiques, TimeSliver surpasse les méthodes de référence (Grad-CAM, SHAP, DeepLift, TimeX++, etc.) avec une amélioration moyenne de 11% (mesurée par AUPRC).
- Il obtient les meilleurs scores pour identifier les points temporels critiques (positifs et négatifs) sur les données réelles (EEG, FordA, Audio).
- L'ablation study montre que le remplacement de la représentation symbolique par une projection des données brutes entraîne une chute de 17% de l'explicabilité, confirmant l'importance de la composante symbolique.
Performance Prédictive :
- Sur les 26 jeux de données du benchmark UEA, TimeSliver atteint des performances compétitives, se situant à moins de 2% des meilleures méthodes de l'état de l'art (SOTA).
- Il montre une amélioration notable sur les séries de longue durée (>1000 points) et les signaux biomédicaux.
Efficacité :
- Le modèle est très efficace en termes de calcul (GFLOPs), étant 5 à 10 fois moins coûteux que les Transformers, tout en nécessitant moins de paramètres.

5. Signification et Impact

TimeSliver représente une avancée significative dans le domaine de l'IA explicable (XAI) pour les séries temporelles.

Dépassement des limites actuelles : Il résout le compromis traditionnel entre performance prédictive et interprétabilité, offrant un modèle "boîte blanche" qui ne sacrifie pas la précision.
Fiabilité des explications : En évitant les approximations non linéaires complexes des méthodes post-hoc et en utilisant une décomposition linéaire symbolique, il fournit des explications fidèles aux mécanismes internes du modèle.
Applications pratiques : Sa capacité à identifier des segments temporels positifs et négatifs est cruciale pour les domaines critiques comme le diagnostic médical (ex: détection d'anomalies dans les signaux EEG) ou la maintenance industrielle, où comprendre pourquoi une décision est prise (et quels signaux l'ont contredite) est aussi important que la prédiction elle-même.

En conclusion, TimeSliver propose une nouvelle approche fondée sur la décomposition symbolique-linéaire qui établit un nouvel état de l'art pour la classification de séries temporelles explicable, robuste et efficace.