Cao Tri Do - Multi-modal and multi-scale temporal metric learning for time series nearest neighbors classification

14:00
Vendredi
6
Mai
2016
Organisé par : 
Cao Tri Do
Intervenant : 
Cao Tri Do
Équipes : 
Information détaillée : 

 

Lieu de soutenance : salle Turing du bâtiment Centre Equation 4, Allée de la Palestine, à Gières, Domaine Universitaire.

Le jury est composé de :
 
  • Stéphane Canu (Normandie Université, LITIS) - Rapporteur
  • Marc Sebban (Université Jean Monnet, St-Etienne Hubert Curien Lab) - Rapporteur
  • Patrick Gallinari (Université Pierre et Marie Curie, LIP6) - Examinateur
  • Gustavo Camps-Valls (Parc Científic Universitat de València, IPL) – Examinateur
  • Ahlame Douzal (UGA, AMA, LIG) - Directeur de thèse
  • Michèle Rombaut (UGA, Gipsa-Lab) - Co-directeur de thèse
  • Sylvain Marié (Schneider Electric) - Co-encadrant de thèse
 

 

Résumé : 

L'apprentissage de métriques temporelles est un processus crucial pour la classification supervisée ou non supervisée de séries temporelles. Les séries temporelles sont naturellement caractérisées par différentes modalités (valeurs, formes, spectres des fréquences...). Ces caractéristiques peuvent être observées avec des délais variables, à différentes échelles et impliquant une partie ou totalité des observations. L'apprentissage de métriques temporelles combinant plusieurs modalités à plusieurs échelles temporelles est un défi au cœur de nombreuses applications émergentes visant la classification et la prédiction de séries temporelles complexes. Cette thèse propose une nouvelle approche M2TML (Multi-modal and Multi-scale Temporal Metric Learning) d'apprentissage de métrique temporelle multi-modale et multi-échelle en vue d'une classification robuste par plus proches voisins. La solution est basée sur la projection de paires de séries dans un espace de dissimilarités, dans lequel un processus d'optimisation à vaste marge est opéré. La solution M2TML est proposée à la fois dans le contexte linéaire et non-linéaire, et est étudiée pour différents types de régularisation. Une variante parcimonieuse et interprétable de la solution montre le potentiel de la métrique temporelle apprise à localiser finement les modalités et échelles discriminantes. L'approche est testée sur une trentaine de bases de données publiques de classes linéairement ou non-linéairement séparables, couvrant entre autres des images, des traces et des ECG. Les expériences menées attestent de l'efficacité et du potentiel de la méthode M2TML pour la classification de séries temporelles complexes.