Deep representation learning for time series averaging

Apprentissage en profondeur des représentations pour la moyenne des séries chronologiques L'estimation d'une moyenne optimale de séries temporelles est étudiée depuis plus de quatre décennies. En pratique, les moyennes de séries temporelles sont souvent des entrées clés pour la plupart des techniques d'exploration de données temporelles. Par exemple, dans la classification par centroïde le plus proche, les moyennes de séries temporelles servent de modèle pour l'identification de l'appartenance à une classe. De plus, dans la plupart des techniques de clustering de séries temporelles, les moyennes définissent le centre de gravité pour la formation de clusters. À cette fin, dans la pratique, les contraintes imposées aux moyennes de séries chronologiques ne sont pas triviales. À cet égard, les moyennes de séries temporelles sont censées préserver les caractéristiques les plus descriptives (formes) observées dans l'ensemble des moyennes. Elles sont censées préserver les formes tout en minimisant l'écart entre elles-mêmes et les membres de l'ensemble moyenné. Cependant, dans la réalité, répondre aux exigences de telles contraintes n'est pas trivial en raison des distorsions temporelles (décalages) qui peuvent survenir pour diverses raisons. Par exemple, une différence dans le comportement des entités observées, une différence dans le taux d'échantillonnage des capteurs, et une différence dans la taille (forme) des objets dont les ensembles de données temporelles sont extraits sont quelques exemples de sources de distorsion temporelle. En pratique, de telles sources de décalage temporel désalignent souvent la plupart des formes descriptives observées dans un ensemble moyenné. À cette fin, dans la plupart des cas, une moyenne arithmétique devient une estimation sous-optimale pour des considérations pratiques. Avec cette compréhension, au cours de quatre décennies, une gamme d'heuristiques de moyenne de séries temporelles a été proposée. En général, toutes les heuristiques de moyennage proposées suggèrent d'aligner les membres d'un ensemble moyenné avant d'estimer une moyenne. Cependant, même si l'alignement minimise l'impact de la distorsion temporelle, il introduit souvent des défis supplémentaires. Par exemple, toutes les heuristiques de moyennage pionnières qui utilisent le Dynamic Time Warping (DTW) comme technique d'alignement ont une complexité de calcul qui est directement proportionnelle au nombre et à la dimension des séries moyennées. Avec de telles observations à l'esprit, dans cette thèse, nous évitons d'aborder le moyennage de séries temporelles comme un problème d'alignement multiple. Au contraire, nous voyons la moyenne de séries temporelles comme un défi génératif. À cette fin, nous avons d'abord proposé d'augmenter les moyennes de séries temporelles à partir de l'espace latent des réseaux neuronaux. À cet égard, nous avons d'abord proposé d'augmenter les moyennes de l'espace latent des autoencodeurs variationnels et non variationnels. Après avoir accédé à ces propositions, nous avons ensuite modifié l'architecture globale et placé des contraintes qui ont affiné la qualité des caractéristiques de l'espace latent extraites. Dans cet aspect, nous avons proposé des autoencodeurs multitâches qui effectuent une classification et une reconstruction multi-classes. Nous avons principalement utilisé le classificateur pour forcer les caractéristiques de l'espace latent à être denses et séparables, ce qui a permis d'imiter les effets des alignements multiples. Grâce à cette modification, nous sommes en mesure de fournir des estimations dans le domaine temporel qui sont bien meilleures que la moyenne arithmétique. Cependant, nous avons également remarqué que la configuration multi-tâches peut être affinée en traitant les limitations observées dans la fonction objectif. Après avoir résolu cette limitation, nous sommes en mesure de fournir un enregistrement de l'espace latent à la pointe de la technologie. [...]