Skip to content

TS-Relax : Interprétation des représentations apprises pour les séries temporelles

Les modèles d’apprentissage de représentations sont de plus en plus utilisés, mais leur opacité peut être problématique dans des domaines tels que la santé ou la justice. Des modèles d’IA explicables et de confiance sont nécessaires. Ce travail présente l’adaptation aux séries temporelles, d’une méthode d’interprétation de représentation initialement conçue pour les images. Nous proposons un protocole quantitatif pour évaluer la pertinence de cette adaptation. Les résultats préliminaires encourageants nous amènent à envisager des perspectives de recherches sur la spécifité de l’interprétabilité des modèles d’apprentissage de représentations sur les séries temporelles.

Aziz Jedidi, Thomas Blanchard, Antoine Bonnefoy, TS-Relax : Interprétation des représentations apprises pour les séries temporelles. In Proc. of The Conférence sur l’Apprentissage Automatique, July 2023.

Click here to access the paper.

Releated Posts

Privacy Enhancing Technologies 2024: A Summary

For Large Language Models (LLMs), Azure confidential computing offers TEEs to protect data integrity throughout various stages of the LLM lifecycle, including prompts, fine-tuning, and inference. This ensures that all
Read More

IEEE Big Data 2023 – A Summary

Our CTO, Sabri Skhiri, recently travelled to Sorrento for IEEE Big Data 2023. In this article, Sabri explores for you the various keynotes and talks that took place during the
Read More