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

The Building Blocks of a Responsible AI Practice: An Outlook on the Current Landscape

Responsible AI comes with the challenge of implementation. This survey aims to bridge the gap between principles and practice through a study of different approaches taken in the literature and the proposition of a foundational framework.
Read More

Comparison of Machine Learning Approaches for POD24 Prediction

Early identification of patients with relapsing follicular lymphoma (FL) is critical but remains elusive. We initiated a collaboration between the academic CALYM Carnot Institute aiming at developing interpretable artificial intelligence (AI) models based on PET images to predict POD24.
Read More