Classification Explicable de Séries Temporelles Incertaines

Explainable Classification of Uncertain Time Series

• Auteur / Autrice : Michael Franklin Mbouopda
• Direction : Engelbert Mephu-Nguifo
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 13/12/2022
• Etablissement(s) : Université Clermont Auvergne (2021-...)
• Ecole(s) doctorale(s) : École doctorale des sciences pour l'ingénieur (Clermont-Ferrand)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique, de Modélisation et d'Optimisation des Systèmes
• Jury : Examinateurs / Examinatrices : Élisa Fromont, Emmanuel Gangler, David R. C. Hill, Themis Palpanas
• Jury : Rapporteur / Rapporteuse : Anthony Bagnall, Sébastien Destercke

Mots clés

Mots clés contrôlés

Incertitude de mesure

Séries chronologiques

Mots clés libres

Série temporelle

Classification

Incertitude

Interprétabilité

Shapelet

Astrophysique

Objet transitoire

Time series

Classification

Uncertainty

Explainability

Shapelet

Astrophysics

Transient

Résumé

La classification de séries temporelles est l'une des tâches d'analyse de séries temporelles les plus étudiées et les plus appliquées. Plusieurs méthodes performantes et des fois interprétables ont été proposées pour réaliser cette tâche. Cependant, les cas où les séries temporelles sont faites de valeurs incertaines restent sous-explorés, et ceci malgré que toute mesure physique soit sujette à incertitude. Les travaux existants dans ce domaine sont basés sur des mesures de similarité incertaine telles que DUST, MUNICH et FOTS qui partagent la principale limite de ne pas propager l'incertitude à la prochaine étape de la classification. Par conséquent, les dernières étapes du processus de classification ne sont pas conscientes du fait que les données sont incertaines et les traitent donc comme si elles étaient certaines, conduisant ainsi à des prédictions non fiables. Cette thèse a pour but de corriger cette limite en proposant des méthodes efficaces, robustes et interprétables pour la classification de séries temporelles incertaines. Nous commençons par proposer un cadre général pour la classification de séries temporelles incertaines qui propage l'incertitude du début à la fin du processus de classification. Nous instancions ensuite ce cadre en utilisant l'arithmétique de propagation de l'incertitude pour proposer la méthode UST qui a donné des résultats meilleurs que ceux données par les méthodes existantes de classification de séries temporelles incertaines tout en étant interprétable. Par la suite, nous améliorons le temps de calcul requis par UST en proposant les méthodes SAST et uSAST. SAST est une nouvelle approche performante, rapide et interprétable que nous avons proposé pour la classification de séries temporelles, et uSAST est son extension aux séries temporelles incertaines. Nous évaluons nos méthodes sur des jeux données simulées, sur des données de l'état de l'art et sur un jeu de données réel provenant du domaine de l'astrophysique. Les codes sources et les données utilisés dans ce travail sont rendus disponible sur internet.

Time series classification is one of the must studied and applied time series analysis tasks. Several methods have been proposed to perform this task accurately, efficiently and sometimes in an explainable way. However, situations where the time series are made of uncertain values are still under-explored although any physical measurement is subject to uncertainty. The existing works in this fields are based on uncertain similarity measures such as DUST, MUNICH, and FOTS which have the same main limitation of not propagating uncertainty to the next step of the classification process. This behavior causes the last parts of the process to treat the data as if they were certain while they are not, leading to untrustable predictions. This thesis tackles this limitation by proposing efficient, robust and explainable methods for uncertain time series classification (uTSC). We start by proposing a general framework for uncertain time series classification which propagates uncertainty from the beginning to the end of the process. Then, we instantiate this framework using uncertainty propagation arithmetic to propose the UST model which outperformed existing uTSC models while being explainable. We continue by improving the scalability of UST by proposing the SAST and the uSAST models. SAST is a novel accurate, scalable and interpretable method that we propose for time series classification. uSAST is the extension of SAST to uTSC. We show the effectiveness our methods on simulated datasets, on state-of-the-art datasets, and on a real-world uncertain time series dataset from the astrophysics domain. The source codes and the data used in the work are all available publicly.