L2GTX: From Local to Global Time Series Explanations

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

🕵️‍♂️ L2GTX : Le Détective qui passe du Zoom à la Vue d'Ensemble

Imaginez que vous avez un super-héros de l'intelligence artificielle (une IA) capable de prédire l'avenir en regardant des courbes de données (comme un électrocardiogramme, le prix d'une action ou la température d'une machine). Ce héros est très fort, mais c'est un mystérieux "boîte noire" : il vous donne la réponse, mais refuse de vous dire pourquoi il a pris cette décision.

Le problème ? Si l'IA se trompe, ou si vous devez lui faire confiance pour sauver une vie (en médecine) ou de l'argent (en finance), vous avez besoin de comprendre sa logique.

C'est là qu'intervient L2GTX. C'est un nouvel outil conçu pour transformer des milliers de petits indices locaux en une grande histoire globale que n'importe qui peut comprendre.

1. Le Problème : Trop de détails, pas assez de sens

Actuellement, les experts en IA peuvent expliquer pourquoi l'IA a pris une décision pour un seul cas précis (par exemple : "Pour ce patient spécifique, l'IA a regardé le battement de cœur à la seconde 12"). C'est comme regarder une photo au microscope : on voit les détails, mais on ne voit pas le tableau complet.

De plus, les méthodes actuelles sont souvent trop techniques (elles parlent de "poids" et de "neurones") ou ne fonctionnent que pour un type d'IA précis. Il manque une méthode universelle pour dire : "En général, quand l'IA voit une maladie, c'est parce qu'elle repère ce type de courbe, pas celle-là."

2. La Solution L2GTX : De l'indice local à la carte globale

L2GTX fonctionne en trois étapes simples, comme un détective qui enquête sur un crime :

Étape 1 : L'enquête locale (LOMATCE)
D'abord, l'outil regarde chaque cas individuellement. Il utilise une loupe pour identifier les moments clés dans la courbe. Au lieu de dire "le point X est important", il dit : "Il y a eu une pente montante rapide ici" ou "Un pic soudain là-bas".

Analogie : Imaginez que vous analysez un match de football. Au lieu de noter chaque passe, vous notez les actions clés : "Tir au but", "Passe décisive", "Faute".
Étape 2 : Le tri et le regroupement (Le "Triage")
Si vous regardez 100 matchs, vous verrez 100 fois des "Tirs au but". L2GTX regroupe tous ces tirs similaires ensemble. Il élimine les doublons et crée des catégories universelles.

Analogie : C'est comme trier une immense boîte de LEGO. Au lieu de garder chaque brique séparée, vous les regroupez par forme et couleur : "Tous les blocs rouges", "Tous les pneus", "Tous les hublots".
Étape 3 : La sélection des meilleurs témoins (Le Budget)
On ne peut pas tout expliquer ! L2GTX choisit intelligemment les meilleurs exemples (les "témoins") qui couvrent le plus grand nombre de catégories importantes.

Analogie : Imaginez que vous devez expliquer la cuisine italienne à un ami. Au lieu de lui montrer 1000 recettes différentes, vous lui montrez 5 plats emblématiques (Pizza, Pâtes, Risotto, Tiramisu, Gelato) qui représentent l'essentiel de la cuisine.

3. Le Résultat : Une carte au trésor compréhensible

Au lieu d'un rapport technique illisible, L2GTX produit une explication globale simple :

"Pour la classe 'Café Robusta', l'IA cherche toujours un pic très haut au milieu de la courbe."
"Pour la classe 'Cœur Normal', l'IA repère une série de petites ondulations régulières."

C'est comme passer d'une liste de 10 000 mots de vocabulaire à un résumé de 3 phrases qui capture l'essence de la chose.

Pourquoi c'est génial ?

C'est universel : Ça marche avec n'importe quelle IA (FCN, LSTM, etc.), comme une clé qui ouvre toutes les portes.
C'est fidèle : L'outil ne triche pas. Il vérifie que son résumé global correspond bien à la réalité de l'IA (on appelle ça la "fidélité").
C'est humain : Il parle de "tendances", de "pics" et de "vallées", des mots que n'importe quel humain comprend, pas des maths complexes.

En résumé

L2GTX, c'est le traducteur qui transforme le langage cryptique de l'IA en une histoire claire. Il prend des milliers de petits indices dispersés, les assemble comme des pièces de puzzle, et vous montre le dessin final : "Voici ce que l'IA cherche vraiment, et c'est pour ça qu'elle prend ses décisions."

C'est un pas de géant pour rendre l'intelligence artificielle transparente, fiable et digne de confiance dans le monde réel.

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

1. Problématique et Contexte

Les modèles d'apprentissage profond (Deep Learning) atteignent des niveaux de précision élevés dans la classification de séries temporelles, appliqués dans des domaines critiques comme la santé, la finance et la surveillance de capteurs. Cependant, leur comportement décisionnel reste souvent opaque ("boîte noire").

Le défi principal réside dans la difficulté d'expliquer le comportement décisionnel au niveau de la classe (global) plutôt que pour une seule prédiction (local). Les méthodes existantes d'IA explicable (XAI) souffrent de trois limitations majeures lorsqu'elles sont appliquées aux séries temporelles :

Inadéquation des méthodes agnostiques : Les méthodes conçues pour les images ou les données tabulaires (comme LIME ou SHAP) ne gèrent pas bien les dépendances temporelles et les observations non indépendantes.
Manque d'explications globales : La synthèse d'explications globales pour les séries temporelles est sous-exploitée.
Dépendance au modèle : Les rares approches globales existantes sont souvent spécifiques à une architecture de modèle, limitant leur applicabilité générale.

Il existe donc un besoin urgent d'une méthode agnostique au modèle capable de synthétiser des explications globales par classe à partir de motifs temporels locaux observés sur un ensemble représentatif d'instances.

2. Méthodologie : L2GTX

Les auteurs proposent L2GTX (Local-to-Global Time-series eXplanations), une méthode agnostique qui agrège des explications locales pour former des résumés globaux interprétables. Le processus se déroule en cinq étapes séquentielles :

Étape 1 : Attribution Locale via LOMATCE

Pour un ensemble d'instances de séries temporelles, L2GTX utilise l'algorithme LOMATCE (LOcal Model-Agnostic Time Series Classification Explanations).

LOMATCE perturbe localement les segments temporels pour générer des échantillons voisins.
Il extrait des Primitives d'Événements Paramétrés (PEP) : tendances croissantes/décroissantes (paramétrées par temps de début, durée, gradient moyen) et extrema locaux (maxima/minima paramétrés par temps et valeur).
Ces événements sont regroupés par clustering (K-means) pour chaque instance, et des scores d'importance sont attribués aux clusters via un surrogate linéaire pondéré.

Étape 2 : Fusion des Clusters Similaires et Construction de la Matrice

Les clusters locaux varient d'une instance à l'autre. Pour obtenir une représentation globale cohérente :

Les clusters similaires (de même type d'événement) sont fusionnés via un clustering hiérarchique agglomératif basé sur la distance euclidienne entre les centroïdes.
Une matrice Instance-Cluster est construite, où chaque entrée représente l'importance d'un cluster global pour une instance donnée.

Étape 3 : Calcul de l'Importance Globale des Clusters

L'importance globale de chaque cluster est calculée en agrégeant les scores d'importance sur toutes les instances (inspiré de SP-LIME). Cela permet d'identifier les motifs temporels les plus influents pour la classe.

Étape 4 : Sélection d'Instances Représentatives (Budget)

Sous un budget défini par l'utilisateur (nombre maximal d'instances $B$ ), L2GTX sélectionne un sous-ensemble d'instances représentatives.

L'algorithme utilise une approche gloutonne pour maximiser la couverture des clusters les plus importants.
L'objectif est de sélectionner un ensemble d'instances qui couvre le maximum de motifs temporels influents sans redondance.

Étape 5 : Synthèse et Agrégation Globale

Les événements des instances sélectionnées sont agrégés au niveau des clusters globaux.

Les attributs des événements (temps, durée, valeur) sont résumés par des statistiques (moyenne et écart-type).
Le résultat est une explication globale concise par classe, décrivant les types d'événements typiques (ex: "une tendance croissante commençant à $t \pm \sigma$ et durant $d \pm \sigma$ ").

3. Contributions Clés

Méthode Agnostique au Modèle : L2GTX fonctionne indépendamment de l'architecture du modèle sous-jacent (FCN, LSTM, etc.), ne nécessitant pas l'accès aux poids internes ou aux activations.
Synthèse Locale vers Globale : C'est l'une des premières méthodes à proposer un cadre formel pour passer d'explications locales (basées sur des instances) à des explications globales (basées sur des classes) pour les séries temporelles.
Interprétabilité Sémantique : Contrairement aux méthodes qui agrègent des scores d'attribution bruts, L2GTX utilise des primitives comportementales (tendances, extrema) qui correspondent à la façon dont les humains interprètent les signaux temporels.
Robustesse et Fidélité : La méthode maintient une fidélité globale stable tout en compressant l'espace d'explication.

4. Résultats Expérimentaux

Les auteurs ont évalué L2GTX sur six jeux de données de référence (UCR Archive) incluant des données médicales (ECG200), des actions (GunPoint), des données alimentaires (Coffee) et des capteurs (FordA/B), ainsi qu'un jeu de données synthétique (CBF). Deux architectures de modèles noirs ont été testées : un FCN (Fully Convolutional Network) et un LSTM-FCN.

Fidélité Globale (Global Faithfulness - GF) : Mesurée par le coefficient de détermination ( $R^2$ ) moyen des surrogates locaux. Les résultats montrent que la fidélité reste robuste et stable, même lorsque le niveau de consolidation des clusters est augmenté (en variant le percentile de fusion de 25% à 95%).
Compacité : L'augmentation du seuil de fusion réduit le nombre de clusters globaux de manière monotone, produisant des explications plus concises sans perte significative de fidélité.
Interprétabilité des Cas d'Usage :
- ECG200 : Les explications distinguent clairement les battements normaux (événements modérés et distribués) des infarctus (déflexions prononcées et transitions spécifiques), alignées avec la morphologie clinique.
- Coffee : La méthode identifie des motifs spectraux distincts entre les variétés Arabica et Robusta (ex: maxima locaux de haute magnitude pour Robusta vs minima et pics moins dominants pour Arabica), cohérents avec la littérature sur la spectroscopie du café.
Stabilité : Les explications générées par différents modèles (FCN vs LSTM-FCN) montrent un fort accord structurel sur les régions temporelles pertinentes, indiquant que L2GTX capture des signaux décisionnels partagés.

5. Signification et Conclusion

L2GTX comble un vide important dans l'XAI pour les séries temporelles en fournissant un mécanisme fiable pour transformer des insights locaux en compréhensions globales.

Avantage Principal : Elle évite le piège des "sacs d'événements" (bag of events) sans structure, en préservant la morphologie temporelle (durée, amplitude, timing).
Impact : Elle permet aux experts de domaine de comprendre pourquoi un modèle classe une série temporelle dans une catégorie, en identifiant des motifs comportementaux récurrents plutôt que des points de données isolés.
Limites et Futur : Le coût computationnel du clustering d'événements dans LOMATCE reste un défi pour les très longues séries temporelles. Les travaux futurs visent à étendre la méthode aux séries temporelles multivariées et à inclure des évaluations centrées sur l'humain avec des experts du domaine.

En résumé, L2GTX démontre qu'il est possible de générer des explications globales fidèles, compactes et sémantiquement riches pour les classificateurs de séries temporelles, sans dépendre des détails internes du modèle.