Learning discriminative matching for complex time series discrimination.

Il n'est pas rare dans les applications que les profils globaux des séries temporelles soient dissimilaires au sein d'une même classe ou, inversement, exhibent des dynamiques similaires pour des classes différentes. L'objectif de ce travail consiste à discriminer de telles structures de séries temporelles complexes. Nous proposons une nouvelle approche d'apprentissage d'appariements discriminants visant à connecter les séries temporelles selon les caractéristiques partagées dans les classes et différentielles entre les classes. Cette approche est fondée sur un critère de variance/covariance pour la pénalisation des liens entre les observations en fonction de la variabilité intra et inter classes induite. Pour ce faire, l'expression de la variance/covariance classique est étendue à un ensemble de séries temporelles, puis à des classes de séries. Nous montrons ensuite comment les appariements appris peuvent être utilisés pour la définition d'une métrique locale, pondérée, restreignant la comparaison de séries à leurs attributs discriminants. Les expérimentations menées soulignent la capacité des appariements appris à révéler des signatures fines discriminantes et montrent l'efficacité de la métrique apprise pour la classification de séries temporelles complexes.It is not rare in applications for global profiles of time series to be different within a class, or, on the contrary, to show similar profiles for different classes. The aim of this work is to discriminate such complex structures of time series. We propose a new approach to learn discriminative matchings, in order to connect a set of time series, according to the common features within the classes as well as the differenciating features between the classes. Our approach is based on variance-covariance criteria, for the penalisation of links between observations, due to the variability induced within and between classes . For this, the classical expression for the variance/covariance is extended to a set of time series, then to a partition of those series. We show then how the learned matchings can be used to define a weighted local metric, restricting the comparison of the series to their discriminative features. Experiments have been conducted that underline the ability of the learned matchings to reveal accurate discriminative signatures and show the effectiveness of the learned metric to classify complex time series