TSEM: شبكة عصبية قابلة للتفسير فضائيًا زمانية ذات وزن زمني لسلاسل زمنية متعددة المتغيرات

أصبح التعلم العميق حلًا شاملاً لجميع المجالات التقنية والتجارية بفضل مرونته وقابليته للتكيف. ويتّخذ هذا النموذج شكل نماذج شفافة، مما يُضعف في الوقت نفسه ثقة المستخدمين بالنتائج الناتجة. وللحصول على فهم أعمق لسلوك النظام، خاصةً تلك التي تُدار باستخدام بيانات متسلسلة زمنية، يصبح من الضروري التعمق داخل نموذج التعلم العميق، وذلك من خلال ما يُعرف بنهج الذكاء الاصطناعي القابل للتفسير بعد التنفيذ (XAI). تُصنف طرق XAI لبيانات المتسلسلات الزمنية إلى نوعين رئيسيين: النماذج المستقلة عن النموذج (model-agnostic) والنماذج المحددة للنموذج (model-specific). ويركّز هذا العمل على النهج الثاني. في حين تستخدم الطرق الأخرى إما خريطة تنشيط الفئة (CAM) أو آلية الانتباه (Attention Mechanism)، ندمج هاتين الاستراتيجيتين في نظام واحد، يُعرف ببساطة باسم الشبكة العصبية القابلة للتفسير الزمنية المكانية الموزونة لبيانات المتسلسلات الزمنية متعددة المتغيرات (TSEM). يجمع TSEM بين قدرات نماذج RNN وCNN بحيث تُستخدم وحدات الخفاء في RNN كأوزان انتباه على المحور الزمني للخرائط المميزة في CNN. وتُظهر النتائج أن TSEM يتفوق على XCM، كما يشبه STAM من حيث الدقة، مع الالتزام بمعايير تفسيرية متعددة، منها السببية، والولاء (fidelity)، والبعد المكاني الزمني.