Apprentissage métrique pour l'analyse des séries temporelles multivariées utilisant DTW : application à la télédétection et au génie logiciel
Langue Anglais
Accéder à la thèse :

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :
  • Thèse soumise à l'embargo de l'auteur : embargo illimité (communication intranet).
 
Auteur : Salaou, Abdoul-Djawadou
Date de soutenance : 17-12-2020

Directeur(s) de thèse : Gançarski, Pierre - Damian, Daniela

Président : Wemmert, Cédric
Rapporteur(s) : Davidson, Ian - Cornuéjols, Antoine
Membre(s) du jury : Thomo, Alex - Forestier, Germain

Établissement de soutenance : Strasbourg - University of Victoria (British Columbia, Canada)
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Informatique
Classification : Informatique

Mots-clés libres : Séries temporelles, Multivariées, Apprentissage métrique, Contraintes, Classification, Dynamic time warping, Télédétection, Génie logiciel
Mots-clés :
  • Séries chronologiques
  • Télédétection
  • Génie logiciel
Résumé : Dans le contexte où les données sont de plus en plus abondamment disponibles, les Séries Temporelles sont essentielles pour extraire et comprendre l’évolution des phénomènes naturels, artificiels, socio-économiques sous-jacents. La littérature dans ce domaine a largement démontré que l’algorithme de déformation dynamique du temps (Dtw), associée à une certaine distance locale/de base δ (par exemple, la distance euclidienne), est une mesure de similarité efficace pour analyser des ST univariées. Cependant, le couplage statistique possible entre les différentes dimensions rend la généralisation de cette mesure au cas multivarié tout sauf évidente. En pratique, les ST multivariées sont décrites par des attributs hétérogènes qui mettent généralement en évidence différents motifs relationnels (attributs corrélés, bruités, manquants ou non pertinents). Par conséquent, pour obtenir une comparaison « adéquate » des données, DTW a besoin d’un δ qui « comprend » l’espace des données. En effet, à mesure que la complexité des données augmente, il devient très difficile de définir une telle distance de base satisfaisante δ. Il semble totalement irréaliste de définir δ manuellement ou sur la seule base d’un avis d’expert. Cela a suscité notre intérêt pour la définition d’une nouvelle distance capable de saisir de telles dépendances inter-dimensionnelles par le biais de l’Apprentissage Métrique de Distance. L’AMD consiste à apprendre une métrique pour mieux discriminer les données en accentuant la relation de distance entre des objets considérés comme (fortement) similaires, ou à l’inverse (fortement) dissimilaires. Cette information sur la (dis)similarité est souvent fournie au moyen de contraintes must-link et cannot-link entre les objets. Toutefois, dans le cas de données volumineuses et complexes, fournir de telles contraintes reste un problème ouvert. Aussi, nous proposons une méthode, basée sur canopy clustering, pour extraire automatiquement les contraintes du jeu de données.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2020STRAD044
Type de ressource : Thèse