Saeed Varasteh Yazdi - Représentations parcimonieuses et apprentissage de dictionnaires pour la classification et le clustering de séries temporelles

14:00
Jeudi
15
Nov
2018
Intervenant : 
Saeed Varasteh Yazdi
Équipes : 
Mots clés : 
Information détaillée : 

Jury :

  • Philippe Preux ; Professeur ; Université de Lille ; Rapporteur
  • Mohamed  Nadif ; Professeur ; Université Paris 5 ; Rapporteur
  • Stephane Canu ; Professeur ; Normandie Université ; Examinateur
  • Patrick Gallinari ; Professeur ; Sorbonne Universités - Paris ; Examinateur
  • Julien  Mairal ; Chargé de recherche ; Inria centre de Grenoble Rhône-Alpes ; Examinateur
  • Ahlame  Douzal ; Professeur associé ; Université Grenoble Alpes ; Directeur de thèse

 

Résumé : 

L'apprentissage de dictionnaires à partir de données temporelles est un problème fondamental pour l’extraction de caractéristiques temporelles latentes, la révélation de primitives saillantes et la représentation de données temporelles complexes. Cette thèse porte sur l’apprentissage de dictionnaires pour la représentation parcimonieuse de séries temporelles. On s’intéresse à l’apprentissage de représentations pour la reconstruction, la classification et le clustering de séries temporelles sous des transformations de distortions temporelles. Nous proposons de nouveaux modèles invariants aux distortions temporelles. 
La première partie du travail porte sur l’apprentissage de dictionnaire pour des tâches de reconstruction et de classification de séries temporelles. Nous avons proposé un modèle TWI-OMP (Time-Warp Invariant Orthogonal Matching Pursuit) invariant aux distorsions temporelles, basé sur un opérateur de maximisation du cosinus entre des séries temporelles. Nous avons ensuite introduit le concept d’atomes jumelés (sibling atomes) et avons proposé une approche d’apprentissage de dictionnaires TWI-kSVD étendant la méthode kSVD à des séries temporelles. 
Dans la seconde partie du travail, nous nous sommes intéressés à l’apprentissage de dictionnaires pour le clustering de séries temporelles. Nous avons proposé une formalisation du problème et une solution TWI-DLCLUST par descente de gradient. 
Les modèles proposés sont évalués au travers plusieurs jeux de données publiques et réelles puis comparés aux approches majeures de l’état de l’art. Les expériences conduites et les résultats obtenus montrent l’intérêt des modèles d’apprentissage de représentations proposés pour la classification et le clustering de séries temporelles.