Learning explainable constrained representation for time

Apprentissage d’une représentation contrainte explicative pour les séries temporelles

Hussein El Amouri (1)

1 ICube - Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie

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.

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.

Mots clés: Learning Shapelets; Constrained clustering; Time Series; Explaning clustering; Time series transforamtion

Mots clés: Learning Shapelets; Clustering sur contraint; Séries temporelles; Explication du clustering; Transformation de séries temporelles.

Domaines: Autre [cs.OH]

Hussein El Amouri. Learning explainable constrained representation for time. Other [cs.OH]. Université de Strasbourg, 2023. English. ⟨NNT : 2023STRAD026⟩. ⟨tel-04276120⟩