Ce projet est réalisé par un groupe d'étudiants de l'INSA de Rennes en 4e année informatique. (2021-2022)
La plupart des méthodes de pointe appliquées à la classification de séries temporelles consistent en des méthodes d’apprentissage profond dont le résultat est difficile à expliquer. Ce manque d’explicabilité est un inconvénient majeur, car plusieurs applications dans le monde réel impliquent des décisions critiques, comme dans le domaine médical. De nombreux travaux ont été réalisés ces dernières années, mais peu pour des séries temporelles.
Développement d'un algorithme d'explication contrefactuelle pour les séries temporelles.
IHM permettant la visualisation et la manipulation de séries temporelles, utilisant l'algorithme précédent.
Travail sur l'outil d'explication de classification développé par l'équipe de recherche LACODAM.
L'objectif est d'adapter aux séries temporelles un algorithme d'explication de classification par explication contrefactuelle.
Une explication contrefactuelle est une explication décrivant quels changements devraient être effectués pour que l'exemple soit placé de l'autre côté de la frontière de décision du classifieur. Sur l'image ci-contre, l'image (a) a été classée comme un "5", et sa contrefactuelle (b) montre quels changements sont à faire pour atteindre la classe la plus proche, le "6".
Cette partie du projet consiste en de la recherche et de la lecture de nombreux articles liés à ce sujet.
→ Contrefactual Explanation for Machine Learnig
→ Documentation ALIBI
Cette application permet de charger des séries temporelles afin de les visualiser et de leur appliquer des traitements. Il est possible d'appliquer et d'entrainer des classifieurs sur des ensembles de séries pour déterminer leurs classes mais également déterminer leurs contrefactuelles grâce à l'algorithme décrit au-dessus. D'autres options sont disponibles comme le calcul de différentes distances entre la série et sa contrefactuelle. Tous les résultats peuvent être ensuite enregistrés par l'utilisateur. L'application est développée à l'aide de PyQt5 et pyqtgraphics.
LEFTIST est un outil qui permet d'expliquer une classification de série temporelle en donnant un coefficient à chaque segment entre -1 et 1, ce qui permet d'identifier la ou les parties de la série temporelle qui sont les plus déterminantes dans le choix de la classification. Cet outil a été développé avec une ancienne version de python (3.6) et utilisait des bibliothèques dépassées, ce qui rendait son utilisation chaotique. Ainsi, nous avons mis à jour l'outil avec python 3.7 et rendu son utilisation plus simple. De plus, la seule segmentation disponible dans LEFTIST était une segmentation uniforme (on découpe en n segments de taille égale), ce qui n'est pas forcément pertinent. Par conséquent, nous avons ajouté deux nouvelles segmentations SAX et Matrix Profile (qui se basent sur la reconnaissance de motifs).
.png)
