From the early classification of time series to machine learning-based early decision-making
De la classification précoce des séries temporelles à la prise de décision précoce basée sur l’apprentissage machine
Résumé
In numerous real-world situations, we have to make early decisions without complete knowledge of the problem. The issue facing the decision makers is that, usually, the longer the decision is delayed, the clearer the likely outcome, but also the higher the cost that will be incurred if only because earlier decisions allow one to be better prepared. This earliness-accuracy trade-off is mainly involved in the Early Classification of Time Series (ECTS) problem. A generic cost-sensitive framework has been presented to solve this problem, and a novel implementation has been proposed. However, the ECTS problem suffers from multiple limitations identified in this thesis. Two limitations have been tackled. The first one is the irrevocability of decisions. A novel revocable regime algorithm has been proposed to change the decision taken in case of receipt of new measurements of the series that question the old decision. The second limitation is that ECTS is limited to time series with finite length and a single label associated with the complete time series. The novel proposed algorithm is capable of dealing with time series with no time bounds and where different events arise, possibly of different lengths, each with its class label. Finally, a generic problem under the name ML-EDM (machine learning-based early decision-making) with the rest of the ECTS limitations have been suggested to the scientific community for further research.
Dans de nombreuses situations réelles, nous devons prendre des décisions précoces sans avoir une connaissance complète du problème. Le problème auquel sont confrontés les décideurs est que, généralement, plus la décision est retardée, plus le résultat probable est clair, mais aussi plus le coût sera élevé, car des décisions précoces permettent de mieux se préparer. Ce compromis précocité-précision est principalement présent dans le problème de la classification précoce des séries temporelles (ECTS). Un framework générique sensible aux coûts a été présenté pour résoudre ce problème, et une nouvelle implémentation a été proposée. Cependant, ce problème souffre de multiples limitations identifiées lors de cette thèse. Deux limites ont été abordées. La première est l'irrévocabilité des décisions. Un nouvel algorithme à régime révocable a été proposé pour modifier la décision prise en cas de réception de nouvelles mesures de la série remettant en cause l'ancienne décision. La deuxième limite est que l'ECTS est limité à des séries chronologiques de longueur finie et une seule étiquette associée à la série chronologique complète. Le nouvel algorithme proposé est capable de traiter des séries chronologiques sans limites temporelles et où différents événements surviennent, éventuellement de longueurs différentes, chacun avec son étiquette de classe. Enfin, un problème général sous le nom de ML-EDM (prise de décision précoce basée sur l'apprentissage machine) a été formalisé et dix défis ont été proposés à la communauté scientifique pour des recherches plus approfondies.
| Origine | Version validée par le jury (STAR) |
|---|