You can manage bookmarks using lists, please log in to your user account for this.
Media type:
E-Book;
Electronic Thesis;
Text
Title:
Learning explainable constrained representation for time ; Apprentissage d’une représentation contrainte explicative pour les séries temporelles
Footnote:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Description:
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 ...