Note ABES Learning explainable constrained representation for time Apprentissage d’une représentation contrainte explicative pour les séries temporelles Learning Shapelets Clustering sur contraint Séries temporelles Explication du clustering Transformation de séries temporelles. Learning Shapelets Constrained clustering Time Series Explaning clustering Time series transforamtion 004.2 Séries chronologiques Apprentissage automatique 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. Time-series clustering is a challenging task that requires tailored similarity measures toeffectively analyze and interpret data. Moreover, the algorithm outputs can be hard tointerpret. To address this, experts can provide prior knowledge using instance-levelconstraints, which guide the algorithm and align results with the expert’s needs.However, incorporating this in the clustering process introduces the challenge of assessing the informativeness and coherence of the constraints. Furthermore,integrating explanation techniques with the constrained clustering paradigm remainsan open issue. In this work, we first develop a constraint-based representation for timeseries that leverages elastic measure properties, specifically Dynamic Time Warping(DTW), using shapelets and the shapelet transform. Our approach aims to learn ametric space where constraint properties can be calculated, and the distance betweenobjects approximates the DTW (Dynamic Time Warping) similarity measure. Second,we develop different approaches to provide explanations for time-series clusteringresults by using shapelets representations. As such, the new representation enhancesclustering performance while facilitating an explanation of the results. Electronic Thesis or Dissertation Text en PDF 16090673 Université de Strasbourg Strasbourg 2023-12-31 https://theses.hal.science/tel-04276120 application/pdf 9001972 https://publication-theses.unistra.fr/public/theses_doctorat/2023/El_Amouri_Hussein_2023_ED269.pdf http://www.theses.fr/2023STRAD026/abes https://theses.hal.science/tel-04276120 https://theses.hal.science/tel-04276120 https://theses.hal.science/tel-04276120 El Amouri Hussein 1997-04-05 FR 273049704 086OOU02ZC6 22022410 4200046 https://theses.fr/2023STRAD026 2023STRAD026 https://doi.org/10.70675/15168708z0ff6z45bfzadd0z8925f7300d13 2023-09-22 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Gançarski Pierre MADS_DIRECTEUR_DE_THESE_1 2700 033775958 Mallet Clément MADS_DIRECTEUR_DE_THESE_2 17746545X Wemmert Cédric MADS_PRESIDENT_DU_JURY 176663576 Lampert Thomas MADS_MEMBRE_DU_JURY_1 273050559 Dao Thi Bich Hanh MADS_MEMBRE_DU_JURY_2 069323003 Tavenard Romain MADS_RAPPORTEUR_1 154729507 Amer-Yehia Seham MADS_RAPPORTEUR_2 273050664 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 269 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 260728 176969721 ddc:004 Gançarski Pierre Mallet Clément Wemmert Cédric Lampert Thomas Dao Thi Bich Hanh Tavenard Romain Amer-Yehia Seham École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg) PDF 16090673