Dans les séries temporelles scientifiques, les variables observées ont généralement un sens physique, comme les distances entre résidus dans une molécule d'ARN ou les indices de phénomènes climatiques. Cependant, les facteurs latents qui gouvernent ces variables sont souvent inconnus, et leur découverte est cruciale pour comprendre les mécanismes. Les méthodes existantes soit trouvent des facteurs latents sans les interpréter, soit interprètent les variables observées sans garanties d'identifiabilité. MOSAIC comble cette lacune en transférant l'interprétabilité des observations vers l'espace latent.
MOSAIC utilise un apprentissage en deux étapes. Dans la première, un autoencodeur variationnel avec un a priori temporel conditionné par le régime identifie les facteurs latents. Dans la seconde, le décodeur dense est remplacé par un décodeur additif parcimonieux qui, pour chaque facteur latent, retrouve un petit ensemble de variables observées associées. La parcimonie est obtenue par régularisation entropique sur les colonnes normalisées de la matrice d'influence. Un a priori de transition parallèle accélère les calculs de plus de 277 fois.
MOSAIC surpasse toutes les méthodes de référence sur le benchmark synthétique : coefficient de corrélation moyen MCC de 0.912 et précision de récupération du support XZ@top3 de 0.978. Sur la dynamique moléculaire de l'ARN, la méthode localise un facteur associé au régime sur la boucle tétraboucle, ce qui concorde avec le mécanisme de repliement connu. Dans les expériences inter-domaines, MOSAIC identifie correctement les groupes de variables attendus dans 12 des 12 exécutions sur le vent solaire, le climat, un processus chimique et un tokamak.
MOSAIC montre que des facteurs latents identifiables peuvent être dotés d'une interprétation scientifique grâce à des connexions parcimonieuses avec les variables observées. Cela ouvre la voie à la découverte automatisée de mécanismes dans des systèmes complexes où l'annotation manuelle est impossible. Les garanties théoriques d'identifiabilité du support des effets principaux restent valables même en cas de mélange non additif.
Les recherches futures pourraient étendre MOSAIC aux régimes multiclasses et à l'analyse conjointe de plusieurs contrastes. Il serait également prometteur d'intégrer la méthode avec des outils de détection causale par paires pour analyser les connexions au sein des modules. L'amélioration des garanties en échantillon fini pour la régularisation entropique reste un défi théorique ouvert.
MOSAIC peut être appliqué à la météorologie spatiale, au diagnostic de la fusion thermonucléaire, à la surveillance climatique et à la sécurité des processus chimiques.
Il est prévu d'adapter MOSAIC aux régimes multiclasses et de l'intégrer à des méthodes de détection causale au sein des modules.
En apprentissage automatique, le problème de l'interprétabilité des représentations latentes reste ouvert. MOSAIC y contribue en reliant des facteurs latents identifiables aux variables observées via des modèles additifs parcimonieux, ce qui résout en partie le problème de l'interprétation post-hoc.
Cette section s'adresse à l'auteur du travail et à ses collègues. Les travaux voisins ont été trouvés par une recherche sémantique dans notre archive, et non par correspondance de mots. Nous n'évaluons pas : nous montrons le champ autour.
Ce que fait ce travail
Cet article propose MOSAIC, une méthode pour extraire des facteurs latents interprétables à partir de séries temporelles multivariées. Elle combine l'apprentissage identifiable de représentations causales avec un décodeur additif parcimonieux, ce qui permet de relier les facteurs latents à de petits groupes de variables observées. La méthode est testée sur la dynamique moléculaire de l'ARN, le vent solaire, des données climatiques et des processus industriels, où elle retrouve des modules significatifs et surpasse les approches de base.
Où est sa force
La force de ce travail réside dans le transfert de l'interprétabilité depuis les variables observées vers l'espace latent, avec des garanties d'identifiabilité du support des effets principaux. Cela fournit une base rigoureuse pour la découverte automatisée de mécanismes dans les systèmes complexes.
Vers où avancer
À essayer
Travaux voisins dans notre archive
L'archive est vide autour de ce travail : l'analyse la plus proche n'est qu'à 0.53, contre 0,64 d'ordinaire. Il semble qu'on ait peu foré à côté.
L'a priori de transition parallèle a accéléré l'apprentissage de 65 heures à 90 minutes sur le benchmark synthétique.