এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
টেম্পোরাল শ্যাপ (SHAP for Time Series)
SHAP (SHapley Additive exPlanations) পদ্ধতির একটি অভিযোজন যা পর্যবেক্ষণের সময়গত নির্ভরতা বিবেচনা করে চূড়ান্ত পূর্বাভাসে প্রতিটি সময় ধাপের গুরুত্ব নির্ধারণ করে।
এলএসটিএম-অ্যাট্রিবিউশন (LSTM-Attribution)
এলএসটিএম-ধরনের পুনরাবৃত্তিমূলক নিউরাল নেটওয়ার্কের জন্য নির্দিষ্ট ব্যাখ্যামূলক কৌশল, যা মডেলের আউটপুটে প্রতিটি লুকানো অবস্থা বা মেমরি সেলের অবদান পরিমাপ করে।
গাইডেড টেম্পোরাল পার্টার্বেশন (Guided Temporal Perturbation)
একটি ব্যাখ্যামূলক পদ্ধতি যা পূর্বাভাসের উপর প্রভাব পর্যবেক্ষণ করতে সময় সিরিজের অংশগুলোকে পদ্ধতিগতভাবে পরিবর্তন করে, সবচেয়ে প্রভাবশালী সময়কাল লক্ষ্য করতে হিউরিস্টিক্স ব্যবহার করে।
সিকোয়েনশিয়াল স্যালিয়েন্সি ম্যাপ (Sequential Saliency Map)
ক্রমিক ডেটার জন্য উপযুক্ত স্যালিয়েন্সি ম্যাপ তৈরি, যেখানে সিকোয়েন্সের প্রতিটি বিন্দু সেই নির্দিষ্ট মুহুর্তে ইনপুটের সাপেক্ষে আউটপুটের গ্রেডিয়েন্টের ভিত্তিতে একটি গুরুত্ব স্কোর পায়।
টেম্পোরাল ইন্টিগ্রেটেড গ্রেডিয়েন্টস (Temporal Integrated Gradients)
ইন্টিগ্রেটেড গ্রেডিয়েন্টস পদ্ধতির একটি সম্প্রসারণ যা সময় সিরিজ স্পেসে একটি পথ বরাবর গ্রেডিয়েন্টগুলিকে সংহত করে, প্রায়শই একটি বেসলাইন সিকোয়েন্স (যেমন: শূন্য বা গড় সিকোয়েন্স) থেকে শুরু করে।
টেম্পোরাল কাউন্টারফ্যাকচুয়াল এক্সপ্ল্যানেশন (Temporal Counterfactual Explanation)
একটি বিকল্প ন্যূনতম সময় সিকোয়েন্স তৈরি যা একটি ভিন্ন পূর্বাভাসের দিকে নিয়ে যেত, মডেলের সিদ্ধান্তের জন্য সমালোচনামূলক শর্তগুলো বোঝার অনুমতি দেয়।
ফাংশনাল এনোভা ডিকম্পোজিশন (Functional ANOVA Decomposition)
একটি পরিসংখ্যানগত পদ্ধতি যা একটি টেম্পোরাল মডেলের প্রেডিকশন ফাংশনকে প্রধান প্রভাব (স্বতন্ত্র সময়কাল) এবং ইন্টারঅ্যাকশন প্রভাব (সম্মিলিত সময়কাল) এ বিভক্ত করে তাদের প্রভাব পরিমাপ করার জন্য।
ওয়েভলেট-ভিত্তিক ইন্টারপ্রিটেবিলিটি (Wavelet-based Interpretability)
মডেলের পূর্বাভাসকে সবচেয়ে বেশি প্রভাবিত করে এমন প্যাটার্ন স্থানীয়করণ এবং বিভিন্ন ফ্রিকোয়েন্সিতে সময় সিরিজ বিভক্ত করতে ওয়েভলেট ট্রান্সফর্ম ব্যবহার।
Règles d'Association Temporelles (Temporal Association Rules)
Extraction de règles de type 'si motif A se produit à un temps t, alors prédiction B' pour expliquer le comportement du modèle en termes de patterns temporels compréhensibles.
LIME pour Séries Temporelles (Time-LIME)
Adaptation de LIME (Local Interpretable Model-agnostic Explanations) qui échantillonne des segments de la série temporelle pour créer un modèle linéaire local expliquant la prédiction en un point donné.
Profil d'Influence Temporelle (Temporal Influence Profile)
Représentation graphique de l'impact de chaque pas de temps passé sur la prédiction actuelle, révélant la mémoire ou l'horizon pertinent du modèle pour une tâche spécifique.
Analyse de Sensibilité Causale (Causal Sensitivity Analysis)
Évaluation de la sensibilité du modèle à des interventions causales sur la série temporelle, en distinguant la corrélation de la causalité pour une interprétation plus robuste.
Explication par Prototype Temporel (Temporal Prototype Explanation)
Méthode qui identifie les séquences temporelles prototypes (les plus représentatives) d'une classe de prédiction et explique une nouvelle prédiction par sa similarité à ces prototypes.
Décomposition de l'Erreur Temporelle (Temporal Error Decomposition)
Technique qui dissocie l'erreur de prédiction du modèle en composantes liées à des phases spécifiques de la série temporelle (ex: bruit, tendance, saisonnalité) pour cibler les points faibles.
Interprétation par Modèle de Surrogat Temporel (Temporal Surrogate Model)
Entraînement d'un modèle simple et interprétable (ex: ARIMA, régression linéaire) pour approximer localement le comportement d'un modèle complexe (ex: réseau de neurones) sur une fenêtre temporelle donnée.
Visualisation d'État Caché RNN (RNN Hidden State Visualization)
Ensemble de techniques (ex: ACP, t-SNE) appliquées aux vecteurs d'état caché des RNN pour visualiser la dynamique interne du modèle et identifier les phases d'apprentissage de motifs temporels.