Titre : Time Series Classification by extracting informative attributes from multiple representations
Orateur : Alexis Bondu (Orange Labs)
Date : 29/01/2019, 10h30 Lieu : Salle Aurigny
La classification de séries temporelles est une tâche d’apprentissage qui nécessite une étape de « préparation » dont le but est de transformer les données brutes (i.e. des séries temporelles) en un ensemble de descripteurs exploitable par un classifieur. Des travaux antérieurs montrent que le choix de la représentation des séries temporelles (ex : dérivée, intégrale, spectre de puissance …) a un impact important sur la qualité des classifieurs appris. L’approche proposée exploite conjointement plusieurs représentations dans le but d’en extraire des descripteurs informatifs. Cette approche est capable : i) de sélectionner les représentations utiles à l’apprentissage des modèles; ii) de construire des descripteurs informatifs à partir des représentations sélectionnées. Pour ce faire, l’approche de propositionnalisation MODL est exploitée, ainsi qu’un algorithme de sélection de type « feedfoward / feedbackward ». Un benchmark a été réalisé et montre que l’approche proposée est compétitive par rapport à l’état de l’art.
