EXCODER : Quand l'IA de time series devient explicable

Le problème est connu : les modèles de deep learning pour les séries temporelles sont performants, mais opaques. On leur donne des données, ils crachent une prédiction, et personne ne sait vraiment pourquoi. EXCODER propose une solution élégante : transformer le problème en le simplifiant.

Le Black Box Time Series

Les séries temporelles sont partout. Signaux ECG, cours boursiers, vibrations machines, prévisions météo. Et le deep learning a transformé ce domaine en obtenant des performances spectaculaires en classification.

Le prix ? L'opacité.

Quand un CNN ou un Transformer classe une série temporelle, il identifie des motifs complexes, corrélations non-linéaires, des dépendances temporelles à long terme. Mais comprendre quoi exactement a déclenché la décision ? C'est le flou total.

Les méthodes d'explicabilité (XAI) classiques — Integrated Gradients, LIME, attention maps — s'attaquent à ce problème. Mais elles se heurtent à deux obstacles majeurs :

La haute dimensionnalité des données bruitées
Les dépendances temporelles que les méthodes généralistes ne capturent pas bien

Résultat : des explications fragmentées, trop locales, qui manquent la structure globale.

EXCODER : L'idée de la discrétisation

L'approche d'EXCODER est brillante dans sa simplicité : au lieu d'appliquer des méthodes XAI sur des données brutes, pourquoi ne pas d'abord compresser ces données dans un espace latent discret ?

C'est exactement ce que font les VQ-VAE (Vector Quantized Variational Autoencoders) et DVAE (Discrete Variational Autoencoders). Ils prennent une série temporelle continue et la transforment en une séquence de codes discrets — comme un alphabet compressé des motifs temporels.

Avantages immédiats : - Réduction du bruit - Suppression de la redondance - Identification des motifs informatifs - Représentation structurée et interprétable

Le coup de génie ? Appliquer les méthodes XAI sur cette représentation discrète, pas sur les données brutes. Les explications deviennent soudainement plus compactes et plus intelligibles.

Comment ça marche

Étape 1 : Discrétisation

Le VQ-VAE apprend un "codebook" — un dictionnaire de motifs temporels typiques. Chaque segment de la série temporelle est alors remplacé par le code le plus proche.

Concrètement : une série de 1000 points devient une séquence de 50 codes. Chaque code représente un motif récurrent (croissance, décroissance, oscillation, plateau, etc.).

Étape 2 : Classification

Le classifieur opère sur cette séquence de codes, pas sur les données brutes. Performance : comparable aux modèles sur données brutes. Mais avec un avantage crucial — il travaille dans un espace structuré.

Étape 3 : Explication

Les méthodes XAI sont appliquées sur les codes, pas sur les points individuels. Quand Integrated Gradients identifie un code comme important, on sait exactement quel motif temporel il représente.

Résultat : des explications qui pointent vers des motifs cohérents, pas des points isolés.

Étape 4 : Patching

Le mécanisme de "patching" fait le lien inverse : chaque code discret est remonté vers le segment original de la série temporelle. L'explication dans l'espace latent peut être visualisée sur les données brutes.

SSA : Une métrique pour valider les explications

C'est là que le papier devient vraiment intéressant. Les auteurs ne se contentent pas de dire "nos explications sont plus lisibles". Ils introduisent une métrique quantitative pour le prouver.

Similar Subsequence Accuracy (SSA) mesure l'alignement entre : - Les sous-séquences identifiées comme importantes par l'XAI - La distribution des labels dans les données d'entraînement

L'idée : si l'XAI pointe vers un motif comme discriminatif pour une classe, ce motif doit effectivement être prédictif de cette classe dans le training set. Si c'est pas le cas, l'explication est artefactuelle.

SSA donne un framework pour évaluer si les features mis en évidence par XAI sont vraiment représentatives des patterns de classification appris. Pas juste visuellement convaincantes, mais statistiquement validées.

Résultats : Pourquoi ça marche

Les expériences montrent que :

Performance préservée — La classification en espace discret maintient la précision des modèles sur données brutes
Explications plus compactes — Moins de features à considérer, donc plus lisibles
SSA plus élevé — Les motifs identifiés correspondent mieux aux patterns réels du training set

En clair : on gagne en explicabilité sans rien perdre en précision.

Pourquoi ? Parce que la discrétisation agit comme un filtre. Le bruit est éliminé, les redondances compressées. Il reste les motifs qui comptent vraiment pour la tâche de classification.

Ce que ça change pour la pratique

Pour un praticien qui doit expliquer pourquoi son modèle a prédit "anomalie cardiaque" ou "défaillance machine", EXCODER offre une réponse :

"Le modèle a détecté le motif oscillatoire suivi d'une décroissance rapide — typique des cas d'anomalie dans le training set."

Pas juste : "le point 432 était important". Mais une explication structurée, basée sur des motifs cohérents, avec une validation statistique.

Et c'est ça qui change tout dans des domaines où la confiance est critique — médecine, finance, industrie.

Limites et perspectives

La méthode a ses limites :

Le choix du codebook influence les résultats
La taille de l'espace latent est un hyperparamètre critique
Le patching demande un mapping précis entre codes et segments

Mais l'approche ouvre des perspectives :

XAI adapté aux espaces discrets
Évaluation plus rigoureuse des explications
Modèles plus transparents sans sacrifier la performance

Conclusion

EXCODER ne réinvente pas la roue. Il combine des outils existants (VQ-VAE, XAI classique) avec une idée simple mais puissante : l'explicabilité commence par de bonnes représentations.

Plutôt que d'essayer d'expliquer un espace bruité et haute dimension, compressons-le d'abord. Les explications deviennent alors non seulement possibles, mais naturelles.

C'est une direction prometteuse. À l'heure où l'IA agentique prend le contrôle de systèmes critiques, la capacité à expliquer quoi a déclenché une décision n'est plus un luxe — c'est une nécessité.

Et EXCODER montre qu'on peut y accéder sans sacrifier la performance. En transformant l'espace du problème, on transforme l'explicabilité elle-même.

Paper : Hahn, Königsfeld, Tercan, Meisen — EXCODER: EXplainable Classification Of DiscretE time series Representations (PAKDD 2026)

arXiv : 2602.13087

Mots-clés : Time Series Classification, XAI, Discrete Latent Representations, VQ-VAE, Similar Subsequence Accuracy