Explain the unexplainable future with machine learning : the time series perspective

The concept of eXplainable Artificial Intelligence (XAI) is a novel and auspicious approach within the field of Machine Learning, with the objective of enhancing the interpretability and comprehensibility of complex predictive models. EXplainable Artificial Intelligence (XAI) has demonstrated its versatility in a range of Machine Learning (ML) tasks, including text analysis and image recognition. However, there exists a lack of academic research into the application of XAI in the domain of time-series forecasting. The objective of this thesis is to address the existing limitation by proposing an extension of Local Interpretable Model-Agnostic Explanations (LIME) and SHapley Additive exPlanations (SHAP) specifically designed for time-series data. Additionally, we aim to adapt a Convolutional Neural Network model explainable-by-design, named XCM, originally created for time-series classification, to enable it to perform regression tasks. The results of the experimental campaign indicate that this customized set of works, each focusing on a different concept of explainability, improves a state-of-the-art solution in this context. This achievement serves as a foundation for future progress, with potential implications for both practical implementation and theoretical advancement.

Il concetto di Intelligenza Artificiale Spiegabile (XAI) è un approccio nuovo e promettente nel campo dell’Apprendimento Automatico (ML), con l’obiettivo di migliorare l’interpretabilità e la comprensibilità di modelli predittivi complessi. L’Intelligenza Artificiale Spiegabile (XAI) ha dimostrato la sua versatilità in una serie di compiti di Apprendimento Automatico (ML), tra cui l’analisi del testo e il riconoscimento delle immagini. Tuttavia, la ricerca accademica sull’applicazione della XAI nel dominio della previsione delle serie tempo- rali, è pressoché assente. L’obiettivo di questa tesi è quello di affrontare la limitazione esistente proponendo un’estensione di Local Interpretable Model-Agnostic Explanations (LIME) e SHapley Additive exPlanations (SHAP) specificamente progettate per i dati di serie temporali. Inoltre, ci proponiamo di adattare un modello di rete neurale convoluzionale, denominato XCM, che è intrinsecamente spiegabile, ideato per la classificazione nelle serie temporali, per consentirgli di svolgere compiti di regressione. I risultati della campagna sperimentale indicano che questo insieme personalizzato di lavori, ognuno dei quali si concentra su un diverso concetto di spiegabilità, migliora le attuali soluzioni allo stato dell’arte nell’ambito delle serie temporali. Questo risultato serve come base per i progressi futuri, con potenziali implicazioni sia per l’implementazione pratica che per l’avanzamento teorico.