Cedric Frambourg - Apprentissage d’appariements pour la discrimination de séries temporelles

13:00
Wednesday
13
Mar
2013
Organized by: 

Cédric Frambourg

Speaker: 

Cédric Frambourg

Teams: 
Detailed information: 

Le jury est composé de :

— M. Antoine CORNUJEOLS, Professeur à l’Université AgroParisTech, Rapporteur 
— M. Marc SEBBAN, Professeur à l’Université Jean Monnet, Saint Etienne, Rapporteur 
— M. Fabrice ROSSI, Professeur à l’Université Paris 1 Panthéon-Sorbonne, Examinateur 
— M. Eric GAUSSIER, Professeur à l’Université Joseph Fourier, Grenoble, Examinateur 
— M. Mohamed NADIF, Professeur à l’Université Paris Descartes, Examinateur 
— Mme Ahlame DOUZAL, Maître de Conférence (HDR) à l’Université Joseph Fourier, Grenoble, CoDirecteur de thèse 
— M. Jacques DEMONGEOT, PUPH à l’Université Joseph Fourier, Grenoble, Directeur de thèse

Abstract: 

Il n’est pas rare dans les applications que les profils globaux des séries temporelles soient dissimilaires au sein d’une même classe ou, inversement, exhibent des dynamiques similaires pour des classes différentes. L’objectif de ce travail consiste à discriminer de telles structures de séries temporelles complexes. Nous proposons une nouvelle approche d’apprentissage d’appariements discriminants visant à connecter les séries temporelles selon les caractéristiques partagées dans les classes et différentielles entre les classes. Cette approche est fondée sur un critère de variance/covariance pour la pénalisation des liens entre les observations en fonction de la variabilité intra et inter classes induite. Pour ce faire, l’expression de la variance/covariance classique est étendue à un ensemble de séries temporelles, puis à des classes de séries. Nous montrons ensuite comment les appariements appris peuvent être utilisés pour la définition d’une métrique locale, pondérée, restreignant la comparaison de séries à leurs attributs discriminants. Les expérimentations menées soulignent la capacité des appariements appris à révéler des signatures fines discriminantes et montrent l’efficacité de la métrique apprise pour la classification de séries temporelles complexes.