Learning explainable constrained representation for time
Hussein El Amouri · 2023
Apprentissage d’une représentation contrainte explicative pour les séries temporelles Le regroupement de séries temporelles est une tâche complexe qui nécessitedes mesures de similarité sur mesure pour analyser et interpréter efficacementles données. De plus, les sorties des algorithmes peuvent être difficiles àinterpréter. Pour remédier à cela, les experts peuvent fournir des connaissancespréalables en utilisant des contraintes au niveau des instances, qui guidentl'algorithme et alignent les résultats sur les besoins de l'expert. Cependant,incorporer cela dans le processus de regroupement introduit le défi d'évaluerl'informativité et la cohérence des contraintes. De plus, l'intégration detechniques d'explication avec le paradigme de regroupement contraint resteune question ouverte. Dans ce travail, nous développons d'abord unereprésentation basée sur des contraintes pour les séries temporelles quiexploite les propriétés de mesure élastique, en particulier la Dynamic TimeWarping (DTW), en utilisant des shapelets et la transformation des shapelets.Notre approche vise à apprendre un espace métrique où les propriétés descontraintes peuvent être calculées, et la distance entre les objets approxime lamesure de similarité DTW (Dynamic Time Warping). Deuxièmement, nousdéveloppons différentes approches pour fournir des explications pour lesrésultats du regroupement de séries temporelles en utilisant desreprésentations de shapelets. Ainsi, la nouvelle représentation améliore lesperformances du regroupement tout en facilitant l'explication des résultats.