Glossário IA
O dicionário completo da Inteligência Artificial
SHAP para Séries Temporais (Temporal SHAP)
Adaptação do método SHAP (SHapley Additive exPlanations) que considera a dependência temporal das observações para atribuir a importância de cada passo de tempo à previsão final.
Atribuição LSTM (LSTM-Attribution)
Técnica de interpretabilidade específica para redes neurais recorrentes do tipo LSTM, que quantifica a contribuição de cada estado oculto ou célula de memória para a saída do modelo.
Perturbação Temporal Guiada (Guided Temporal Perturbation)
Abordagem de interpretabilidade que modifica sistematicamente segmentos da série temporal para observar o impacto na previsão, utilizando heurísticas para direcionar os períodos mais influentes.
Mapa de Saliência Sequencial (Sequential Saliency Map)
Geração de mapas de saliência adaptados a dados sequenciais, onde cada ponto da sequência recebe uma pontuação de importância baseada no gradiente da saída em relação à entrada naquele momento preciso.
Gradientes Integrados Temporais (Temporal Integrated Gradients)
Extensão do método Integrated Gradients que integra os gradientes ao longo de um caminho no espaço das séries temporais, frequentemente partindo de uma sequência base (ex: zeros ou uma sequência média).
Explicabilidade por Contrafactual Temporal (Temporal Counterfactual Explanation)
Geração de uma sequência temporal alternativa mínima que teria levado a uma previsão diferente, permitindo compreender as condições críticas para a decisão do modelo.
Decomposição por Função Aditiva (Functional ANOVA)
Método estatístico que decompõe a função de previsão de um modelo temporal em efeitos principais (períodos individuais) e efeitos de interação (períodos combinados) para quantificar sua influência.
Interpretabilidade Baseada em Wavelets (Wavelet-based Interpretability)
Utilização da transformada wavelet para decompor a série temporal em diferentes frequências e localizar os padrões que mais influenciam a previsão do modelo.
Regras de Associação Temporais (Temporal Association Rules)
Extração de regras do tipo 'se o padrão A ocorre no tempo t, então a previsão B' para explicar o comportamento do modelo em termos de padrões temporais compreensíveis.
LIME para Séries Temporais (Time-LIME)
Adaptação de LIME (Local Interpretable Model-agnostic Explanations) que amostra segmentos da série temporal para criar um modelo linear local que explica a previsão em um dado ponto.
Perfil de Influência Temporal (Temporal Influence Profile)
Representação gráfica do impacto de cada passo de tempo passado na previsão atual, revelando a memória ou o horizonte relevante do modelo para uma tarefa específica.
Análise de Sensibilidade Causal (Causal Sensitivity Analysis)
Avaliação da sensibilidade do modelo a intervenções causais na série temporal, distinguindo correlação de causalidade para uma interpretação mais robusta.
Explicação por Protótipo Temporal (Temporal Prototype Explanation)
Método que identifica as sequências temporais protótipo (as mais representativas) de uma classe de previsão e explica uma nova previsão pela sua similaridade a esses protótipos.
Decomposição do Erro Temporal (Temporal Error Decomposition)
Técnica que dissocia o erro de previsão do modelo em componentes ligadas a fases específicas da série temporal (ex: ruído, tendência, sazonalidade) para identificar os pontos fracos.
Interpretação por Modelo Substituto Temporal (Temporal Surrogate Model)
Treinamento de um modelo simples e interpretável (ex: ARIMA, regressão linear) para aproximar localmente o comportamento de um modelo complexo (ex: rede neural) em uma janela temporal dada.
Visualização de Estado Oculto RNN (RNN Hidden State Visualization)
Conjunto de técnicas (ex: PCA, t-SNE) aplicadas aos vetores de estado oculto das RNNs para visualizar a dinâmica interna do modelo e identificar as fases de aprendizagem de padrões temporais.