L’identification des systèmes dynamiques non linéaires de grande dimension via la série de Volterra présente un potentiel considérable, mais est sévèrement entravée par la malédiction de la dimension. Les méthodes basées sur les réseaux de tenseurs (Tensor Network, TN), telles que le schéma alterné modifié (Modified Alternating Linear Scheme, MVMALS), ont constitué une percée dans ce domaine en offrant une approche praticable grâce à l’exploitation de la structure à faible rang présente dans les noyaux de Volterra. Toutefois, ces techniques rencontrent encore des goulets d’étranglement prohibitifs en termes de coût computationnel et de mémoire, dus à une croissance polynomiale d’ordre élevé en fonction de la dimension d’entrée. Pour surmonter cette limitation, nous introduisons l’algorithme de moyennage par tête de tenseur (Tensor Head Averaging, THA), qui réduit considérablement la complexité en construisant un ensemble de modèles MVMALS localisés, entraînés sur de petites sous-parties de l’espace d’entrée. Dans cet article, nous présentons une fondation théorique pour l’algorithme THA. Nous établissons des bornes observables et à échantillon fini sur l’erreur entre l’ensemble THA et un modèle MVMALS complet, et nous dérivons une décomposition exacte de l’erreur au carré. Cette décomposition permet d’analyser la manière dont les modèles partiels compensent implicitement les dynamiques omises. Nous quantifions cet effet et démontrons que la corrélation entre les dynamiques incluses et celles omises crée un incitant à l’optimisation qui pousse les performances de THA vers une précision supérieure à celle obtenue par une simple troncation d’un modèle MVMALS complet. Ainsi, THA offre une approche évolutive et théoriquement fondée pour l’identification de systèmes de grande dimension auparavant intractables.