Explication de modèles d’apprentissage profond (Deep Learning) appliqués aux séries temporelles multivariées dans le domaine de l’Agritech – EDEM

Les modèles d'Apprentissage Profond (DL) sont aujourd'hui les techniques les plus largement adoptées et les plus performantes pour la cartographie agricoles dans les Séries Temporelles Multivariées (MTS) acquises par les satellites. Bien qu'efficaces, les modèles DL sont souvent utilisés comme des boîtes noires en raison de leur complexité. Ce manque de transparence constitue un obstacle à l'adoption de ces technologies par les utilisateurs finaux. Ces dernières années, plusieurs techniques d'Apprentissage Automatique Explicable (xAI) ont été proposés afin de fournir une approche descriptive plus solide des algorithmes d'Apprentissage Profond (DL), permettant aux utilisateurs finaux d'accroître leur confiance en la sortie du modèle. La méthode xAI la plus récurrente repose sur l'Attribution de Pertinence, où des scores d'importance sont attribués à chaque feature en fonction de son importance pour la prédiction du modèle. Les méthodes d'Attribution de Pertinence ne peuvent pas expliquer les causes qui poussent un modèle à attribuer une sortie spécifique à une instance donnée.
Dans le cadre du projet EDEM (Explication de modèles d’apprentissage profond (Deep Learning) appliqués aux séries temporelles multivariées dans le domaine de l’Agritech) nous souhaitons proposer des nouveaux algorithmes d'explicabilité (xAI) qui vise à produire des explications pertinentes pour les modèles DL appliqués aux données satellites MTS, Le projet EDEM vise ainsi à définir de nouvelles méthodes d'explicabilité qui capturent les relations causales entre les résultats du modèle et les événements importants déduits des données et de l'importance de composants d'un modèle DL.
Dans notre travail, nous validerons l'utilité des explications proposées dans plusieurs cas d'utilisation du monde réel pour la surveillance agricole en utilisant des ensembles de données de référence disponibles publiquement, y compris des données spécifiques à la France.