AI 용어집
인공지능 완전 사전
Temporal Importance Plot
Visualisation qui représente l'importance relative de chaque pas temporel dans une série chronologique pour la prédiction finale du modèle.
Dynamic Counterfactual Analysis
Méthode d'explicabilité qui génère des séries temporelles alternatives pour comprendre comment les changements temporels affecteraient les prédictions du modèle.
Time-aware SHAP
Adaptation de SHAP (SHapley Additive exPlanations) qui prend en compte les dépendances temporelles et la structure séquentielle des données chronologiques.
Temporal Saliency Mapping
Technique qui identifie les régions temporelles les plus influentes dans une séquence en calculant les gradients de la sortie par rapport aux entrées temporelles.
Sequential Attention Attribution
Analyse des poids d'attention dans les modèles basés sur l'attention pour déterminer quels pas temporels précédents influencent le plus la prédiction actuelle.
Time-series Surrogate Model
Modèle interprétable approximant un modèle complexe sur des séries chronologiques, permettant de comprendre les décisions prédictives temporelles.
Temporal Feature Attribution
Processus d'attribution de scores d'importance aux caractéristiques à différents moments temporels dans une séquence chronologique.
Chronological Perturbation Analysis
Méthode évaluant l'impact sur les prédictions lorsqu'on perturbe sélectivement différents segments temporels de la série chronologique d'entrée.
Recurrent Neural Network Interpretability
Ensemble de techniques spécifiques pour visualiser et comprendre comment les RNN et LSTM traitent et mémorisent l'information temporelle.
Temporal Gradient-based Attribution
Méthode utilisant les gradients de la prédiction par rapport aux entrées temporelles successives pour quantifier l'influence de chaque pas temporel.
Time-windowed Explainability
Approche segmentant les séries chronologiques en fenêtres temporelles et expliquant les prédictions au niveau de chaque segment.
Sequential LIME
Adaptation de LIME (Local Interpretable Model-agnostic Explanations) pour les données séquentielles, préservant la structure temporelle dans l'interprétation.
Dynamic Feature Importance
Évolution de l'importance des caractéristiques au cours du temps dans un modèle de séries chronologiques, révélant comment l'influence des prédicteurs varie temporellement.
Time-series Prototype Methods
Techniques d'explicabilité basées sur l'identification de séquences prototype ou contre-exemple représentatives des décisions du modèle.
Temporal Decomposition Analysis
Approche décomposant les prédictions temporelles en contributions de tendances, saisonnalités et composants résiduels pour une meilleure interprétabilité.
Sequential Influence Functions
Extension des fonctions d'influence aux séquences temporelles, mesurant comment l'ajout ou la suppression de points temporels affecte les prédictions.
Chronological Feature Relevance
Mesure quantitative de la pertinence de chaque caractéristique à chaque instant temporel pour la prédiction finale du modèle.