Auto-encodeur multi-tâches pour le calcul de moyennes de séries temporelles
Résumé
L'estimation de moyennes de séries temporelles a beaucoup été étudiée au cours des dernières décennies. Les distorsions temporelles entre les séries rendent cette tâche très difficile. De précédents travaux ont principalement abordé ce défi en utilisant des algorithmes d'alignement comme Dynamic Time Warping (DTW). Cependant, la complexité de calcul quadratique de DTW et son incapacité à aligner plus de deux séries simultanément compliquent fortement l'estimation de moyennes. Dans cet article, nous suivons une approche différente en considérant le problème du calcul de moyennes comme un problème génératif. Ainsi, nous proposons un auto-encodeur multi-tâches pour extraire des caractéristiques latentes à partir de séries temporelles appartenant à la même classe mais avec des distorsions temporelles variables. Nous considérons ensuite la moyenne arithmétique des caractéristiques latentes comme une estimation de la moyenne latente. De plus, nous projetons ces estimations dans le domaine temporel afin de vérifier leur cohérence. Nous avons évalué l'approche proposée à travers une classification basée sur le plus proche centroïde à partir de 85 jeux de données issus de l'archive UCR. Les résultats expérimentaux montrent que l'approche proposée obtient des performances de classification dans l'espace latent compétitives avec les approches de l'état de l'art. Cela montre que l'espace latent appris est pertinent pour calculer des moyennes de séries temporelles. Aussi, la projection des moyennes dans le domaine temporel offre des résultats supérieurs par rapport aux moyennes arithmétiques directement calculées dans ce domaine.
Origine : Fichiers produits par l'(les) auteur(s)