Capacité du Deep Learning à classifier des variations complexes dans la dynamique temporelle de séries multivariées
P. Liotet, P. Abry, R. Leonarduzzi, M. Senneret, L. Jaffrès, G. Perrin
L’objectif de ces travaux de recherche est d’étudier la capacité des architectures d’apprentissage profond (« deep learning ») à apprendre la dynamique temporelle de séries temporelles multivariées.
La méthodologie consiste à utiliser des processus stochastiques synthétiques bien connus pour lesquels les variations dans la dynamique temporelle conjointe peuvent être contrôlées. Cela permet de comparer le deep learning avec les techniques classiques de machine learning reposant sur des représentations par ondelettes.
Tout d’abord, nous évaluons les performances de plusieurs architectures de deep learning différentes et montrons la pertinence des réseaux de neurones convolutifs (CNN). Deuxièmement, nous testons la robustesse des performances des CNN dans la classification des changements subtils dans la dynamique temporelle multivariée par rapport aux conditions d’apprentissage (taille de l’ensemble de données, taille de l’échantillon de séries chronologiques, apprentissage par transfert).
Cet article a été publié dans le cadre d’ICASSP 2020, 45e Conférence internationale sur l’acoustique, la parole et le traitement du signal.
> Télécharger l’article de recherche [en]
> Télécharger la présentation [en]
