Les modèles d’apprentissage profond classent des données complexes, dont les séries temporelles multivariées, avec une grande précision, mais ils fonctionnent comme des boîtes noires, ce qui freine leur adoption dans des domaines critiques comme la santé. Les méthodes d’explicabilité post-hoc existantes (LIME, SHAP, Anchors, LORE, explications contrefactuelles) reposent souvent sur des échantillons générés aléatoirement autour de l’instance à expliquer, ce qui les rend instables, et elles décrivent rarement les relations entre variables qui caractérisent une classe. Cette thèse étudie l’apport des motifs graduels, des règles symboliques exprimant des covariations de la forme « plus X augmente, plus Y diminue », à l’explicabilité des classifieurs boîtes noires. Nous proposons d’abord un critère d’élagage ligne-colonne qui accélère l’extraction des motifs graduels sans en changer le résultat, intégré à GPMF, une bibliothèque open source qui réunit les principales familles d’algorithmes d’extraction. Nous proposons ensuite un voisinage guidé par les motifs graduels, qui remplace l’échantillonnage aléatoire de LIME, KernelSHAP, Anchors et LORE et rend leurs explications stables et reproductibles sur des données tabulaires. Pour les séries temporelles multivariées, nous proposons GraPEX, un explicateur contrefactuel qui modifie la série à expliquer en s’appuyant sur les motifs graduels saisonniers qui distinguent la classe cible : sur les jeux de données de l’archive UEA et trois architectures, il produit pour chaque requête un contrefactuel valide, proche et localisé, en environ une seconde, accompagné des motifs qu’il réalise. Enfin, nous proposons GradProbe, qui teste, en retirant la tendance d’un motif et rien d’autre, si le classifieur s’appuie réellement sur ce motif : environ un tiers des motifs extraits sont effectivement utilisés, et lesquels dépend du modèle.

Mots-clés : intelligence artificielle explicable, motifs graduels, séries temporelles multivariées, explications contrefactuelles, fouille de motifs.

Composition du jury :

• Anne Laurent, Université de Montpellier (Rapporteure)
• Grégory Smits, IMT Atlantique (Rapporteur)
• Jessica Lin, George Mason University (Rapporteure)
• Lhouari Nourine, Université Clermont Auvergne (Examinateur)
• Engelbert Mephu Nguifo, Université Clermont Auvergne (Directeur de thèse)
• Anthony Fleury, IMT Nord Europe (Co-directeur)
• Jerry Lonlac, IMT Nord Europe (Co-encadrant).