Interpretable time series kernel analytics by pre-image estimation - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2020

Interpretable time series kernel analytics by pre-image estimation

Interprétabilité de l'analyse de séries temporelles à noyaux par l'estimation de la pré-image

Résumé

Kernel methods are known to be effective to analyse complex objects by implicitly embedding them into some feature space. To interpret and analyse the obtained results, it is often required to restore in the input space the results obtained in the feature space by using pre-image estimation methods. This work proposes a pre-image estimation method for time series kernel analytics that consists of two steps. In the first step, a time warp function, driven by distance constraints in the feature space, is defined to embed time series in a metric space where analytics can be performed conveniently. In the second step, the time series pre-image estimation is cast as learning a linear (or a nonlinear) transformation that ensures a local isometry between the time series embedding space and the feature space. The proposed method is compared to state of the art through three major tasks that require pre-image estimation: 1) time series averaging, 2) time series reconstruction and denoising, and 3) time series representation learning. The extensive experiments conducted son 33 publicly-available datasets show the benefits of the pre-image estimation for time series kernel analytics.
Les méthodes à noyaux sont connues pour être efficaces pour l’analyse d’objets complexes en les plongeant implicitement dans un espace de caractéristiques (feature-space). Pour interpréter et analyser les résultats obtenus, il est souvent nécessaire de restaurer dans l’espace d’entrée les résultats obtenus dans l’espace des caractéristiques à l’aide de méthodes d’estimation de la pré-image. Ce travail propose une méthode d’estimation de la pré-image pour rendre interprétable les méthodes d’analyse de séries temporelles à base de noyaux. Dans la première étape, une fonction de déformation temporelle, supervisée par des contraintes de distances, est définie pour plonger les séries dans un espace métrique où des analyses pratiques peuvent être menées. Dans la deuxième étape, l’estimation de la pré-image des séries temporelles est obtenue par l’apprentissage d’une transformation linéaire (ou non linéaire) assurant une isométrie locale entre le nouvel espace métrique des séries et l’espace des caractéristiques. La méthode proposée est comparée aux méthodes de l’état de l’art au travers de trois tâches principales requérant l’estimation de la pré-image: 1) le centrage des séries temporelles, 2) la reconstruction et le débruitage des séries temporelles et 3) l’apprentissage de représentations pour des séries temporelles.
Fichier principal
Vignette du fichier
TRAN_2020_archivage.pdf (14.53 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03036775 , version 1 (02-12-2020)

Identifiants

  • HAL Id : tel-03036775 , version 1

Citer

Thi Phuong Thao Tran. Interpretable time series kernel analytics by pre-image estimation. Computer Arithmetic. Université Grenoble Alpes [2020-..], 2020. English. ⟨NNT : 2020GRALM035⟩. ⟨tel-03036775⟩
132 Consultations
43 Téléchargements

Partager

Gmail Facebook X LinkedIn More