Un réseau de neurones convolutif profond pour la classification de séries temporelles avec des cibles intermédiaires

Les réseaux de neurones convolutifs profonds (CNN) ont été largement utilisés avec succès dans diverses applications, notamment la reconnaissance d’images. Les séries temporelles, qui sont générées dans de nombreuses applications telles que les tâches basées sur des données de capteurs, présentent des caractéristiques différentes par rapport aux données d’image, ce qui rend nécessaire le développement de structures CNN spécifiques pour leur traitement. Ce papier propose un nouveau CNN destiné à la classification des séries temporelles. À la place d’un seul output pour ajuster les poids au sein des couches cachées pendant l’entraînement, nous proposons d’extraire des sorties intermédiaires à partir de différentes couches cachées. Des cibles intermédiaires sont utilisées comme étiquettes pour ces sorties intermédiaires afin d’améliorer les performances de la méthode. Ces cibles intermédiaires diffèrent de la cible principale. En outre, la méthode proposée augmente artificiellement le nombre d’instances d’entraînement à partir des échantillons d’entraînement originaux et des cibles intermédiaires. L’approche transforme ainsi une tâche de classification initiale basée sur les échantillons d’entraînement d’origine en une nouvelle tâche de classification équivalente, comprenant deux classes mais avec un nombre élevé d’instances d’entraînement. Le CNN proposé pour la classification des séries temporelles, appelé CNN-TS, extrait des caractéristiques en fonction de la distance entre deux séries temporelles. Le CNN-TS a été évalué sur plusieurs jeux de données standard de séries temporelles. Les résultats montrent que le CNN-TS atteint une précision globale supérieure de 5,1 % par rapport à la méthode CNN de base (sans couche intermédiaire). En outre, il obtient une précision moyenne supérieure de 21,1 % par rapport aux méthodes classiques d’apprentissage automatique, à savoir la SVM linéaire, la SVM à noyau RBF et la forêt aléatoire (RF). Enfin, le CNN-TS est en moyenne 8,43 fois plus rapide que la méthode ResNet en termes de temps d’entraînement.