🤖 machine learning

A Dictionary-based approach to Time Series Ordinal Classification

Cet article présente l'O-TDE, une adaptation ordinale de l'algorithme TDE pour la classification des séries temporelles, qui démontre des performances supérieures à d'autres méthodes sur un ensemble de 18 problèmes de classification ordinaire.

Auteurs originaux : Rafael Ayllón-Gavilán, David Guijo-Rubio, Pedro Antonio Gutiérrez, César Hervás-Martinez

Publié 2026-04-23

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Rafael Ayllón-Gavilán, David Guijo-Rubio, Pedro Antonio Gutiérrez, César Hervás-Martinez

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🎵 Le Titre : "Apprendre à lire les courbes en tenant compte de l'ordre"

Imaginez que vous êtes un détective chargé de classer des milliers de courbes de température, de prix d'actions ou de battements de cœur. Votre mission : dire à quelle catégorie appartient chaque courbe.

Jusqu'à présent, les meilleurs détectives (les algorithmes) utilisaient une méthode très efficace appelée "Dictionnaire" (ou Dictionary-based). Ils découpaient la courbe en petits morceaux, les transformaient en mots (comme des notes de musique), et cherchaient des motifs récurrents. C'est comme si vous appreniez à reconnaître une chanson en mémorisant ses refrains.

Mais il y a un problème : Dans la vraie vie, les catégories ne sont pas toujours égales.

Si vous confondez "Petit" avec "Moyen", ce n'est pas grave.
Mais si vous confondez "Petit" avec "Géant", c'est une erreur énorme !

C'est ce qu'on appelle l'ordinalité : l'ordre compte. Le papier propose un nouveau détective, nommé O-TDE, qui a appris à ne pas seulement reconnaître les motifs, mais aussi à comprendre que certaines erreurs sont plus "douloureuses" que d'autres.

🧩 L'Analogie du Chef Cuisinier et des Échelles de Saveur

Pour comprendre la différence entre l'ancienne méthode et la nouvelle, imaginons un concours de cuisine.

1. L'ancienne méthode (TDE "Nominal")

Imaginez un chef qui doit classer des plats selon leur niveau de piment. Il a quatre catégories :

A (Pas pimenté)
B (Un peu pimenté)
C (Très pimenté)
D (Explosif)

L'ancien chef (l'algorithme classique) pense que toutes les erreurs sont égales.

Si un plat est A et qu'il le classe en B, il perd 1 point.
Si un plat est A et qu'il le classe en D, il perd aussi... 1 point !
Pour lui, confondre "pas pimenté" avec "explosif" est aussi grave que de confondre "pas pimenté" avec "un peu pimenté". C'est comme si on disait qu'une erreur de 1 mètre est aussi grave qu'une erreur de 1 kilomètre.

2. La nouvelle méthode (O-TDE "Ordinal")

Le nouveau chef (O-TDE) a compris la logique du monde réel. Il utilise une règle de pénalité intelligente.

Confondre A et B ? C'est une petite erreur, on lui donne un avertissement.
Confondre A et D ? C'est une catastrophe ! Il perd beaucoup de points.

En apprenant que l'échelle a un sens (1, 2, 3, 4), le nouveau chef s'entraîne différemment. Il ne cherche pas juste à "deviner la bonne case", mais à deviner la case la plus proche de la réalité.

🛠️ Comment ça marche techniquement (sans les maths) ?

Le papier explique que pour créer ce nouveau chef (O-TDE), les chercheurs ont fait deux choses principales :

Ils ont changé la règle du jeu : Au lieu de compter simplement le nombre de bonnes réponses (comme à l'école), ils ont utilisé une règle qui mesure la "distance" de l'erreur. Plus on s'éloigne de la bonne réponse dans l'échelle, plus la punition est forte. C'est comme si un professeur disait : "Tu as eu 10/20, mais comme tu as confondu 'facile' avec 'impossible', ta note réelle est bien plus basse."
Ils ont affiné leur sélection : L'algorithme choisit ses "membres d'équipe" (les différents modèles) en se basant sur cette nouvelle règle de distance, et non plus seulement sur la vitesse ou le nombre de victoires brutes.

📊 Les Résultats : Qui gagne ?

Les chercheurs ont testé leur nouveau chef sur 18 défis différents (des données boursières, des mesures de vagues, des analyses médicales, etc.).

Le verdict : Le nouveau chef O-TDE a gagné la plupart du temps.
La surprise : Il a même gagné sur les tests classiques (où l'ordre ne compte pas), ce qui prouve qu'être "plus intelligent" sur l'ordre aide aussi à être plus précis en général.
L'outil : Ils ont comparé O-TDE à quatre autres méthodes célèbres (BOSS, cBOSS, WEASEL, TDE). O-TDE a été le seul à réduire significativement les "grosses erreurs" (comme confondre le bas et le haut de l'échelle).

💡 En résumé

Ce papier nous dit : "Ne traitez pas toutes les catégories comme des amis égaux. Si elles sont rangées dans un ordre (du petit au grand, du faible au fort), utilisez cet ordre pour vous entraîner !"

C'est comme apprendre à conduire : savoir qu'un virage à 10 km/h est dangereux, mais qu'un virage à 100 km/h est catastrophique, vous apprendra à conduire beaucoup mieux que de simplement savoir qu'il faut tourner le volant.

Grâce à cette méthode, les ordinateurs peuvent maintenant mieux prédire des choses importantes comme :

Le niveau de risque d'une maladie (faible, moyen, critique).
La stabilité d'un marché financier.
L'intensité d'une tempête.

C'est une petite révolution qui rend les prédictions plus humaines et plus justes ! 🌟

1. Problématique et Contexte

La Classification de Séries Temporelles (TSC) est un domaine bien établi de l'apprentissage automatique, avec des applications variées allant de la médecine à la finance. Les approches basées sur les dictionnaires (comme BOSS, WEASEL et l'état de l'art TDE) ont démontré des performances exceptionnelles en transformant les séries temporelles en représentations symboliques (mots) pour ensuite les classifier.

Cependant, la plupart de ces méthodes traitent les étiquettes de classe comme des catégories nominales (sans ordre intrinsèque). Or, dans de nombreux problèmes réels, les étiquettes possèdent une relation d'ordre naturelle (par exemple : niveaux de sévérité d'une maladie, niveaux de qualité, ou retours financiers classés par tranches). Ce sous-domaine, appelé Classification Ordinale de Séries Temporelles (TSOC), est encore peu exploré.

Le problème central est que les méthodes nominales classiques pénalisent de manière égale toutes les erreurs de classification. Dans un contexte ordinal, une erreur de prédire une classe extrême (ex: E35 au lieu de E45) devrait être beaucoup plus pénalisée qu'une erreur de prédire une classe voisine (ex: E40 au lieu de E45). L'objectif de cet article est de combler ce vide en adaptant l'état de l'art des méthodes à dictionnaires pour exploiter cette information ordinale.

2. Méthodologie : O-TDE (Ordinal Temporal Dictionary Ensemble)

Les auteurs proposent O-TDE, une adaptation ordinale de l'algorithme TDE (Temporal Dictionary Ensemble), qui est actuellement la méthode à dictionnaire la plus performante.

L'approche O-TDE repose sur plusieurs adaptations clés par rapport à la version nominale :

Représentation Symbolique (Dictionnaire) :
- Comme TDE, l'algorithme utilise des fenêtres glissantes sur la série temporelle.
- Une Transformée de Fourier Discrète (DFT) est appliquée à chaque fenêtre pour extraire les coefficients fréquentiels.
- Seuls les $c$ premiers coefficients sont conservés pour réduire le bruit et la dimensionnalité.
- Les coefficients (nombres complexes) sont discrétisés en symboles (mots) via un processus de binning par gain d'information (IGB). Contrairement à TDE qui utilise un arbre de décision basé sur l'exactitude (accuracy), O-TDE utilise un Régresseur Arbre de Décision (DTR) optimisé pour minimiser l'Erreur Quadratique Moyenne (MSE) pondérée (critère Friedman-MSE). Cela permet de trouver des seuils de discrétisation qui préservent la structure ordinale des données.
Sélection des Membres de l'Ensemble :
- L'ensemble est construit en sélectionnant des configurations de paramètres optimales.
- Au lieu de maximiser l'exactitude (comme dans TDE), O-TDE utilise un Processus Gaussien pour prédire et minimiser l'Erreur Absolue Moyenne (MAE) sur l'échelle ordinale. Cela guide la sélection vers des modèles qui respectent mieux l'ordre des classes.
Classification :
- Pour une nouvelle série, un histogramme de mots est construit.
- La prédiction est obtenue en calculant la distance entre cet histogramme et ceux des séries d'entraînement, en sélectionnant l'étiquette de la série la plus proche.

3. Contributions Clés

Première adaptation dictionnaire pour TSOC : Introduction de O-TDE, la première méthode basée sur un dictionnaire conçue spécifiquement pour la classification ordinale de séries temporelles.
Extension de l'archive de données : Les auteurs ont enrichi l'archive TSOC existante, passant de 7 à 18 problèmes (incluant des données financières, médicales, énergétiques et de capteurs), offrant ainsi un banc d'essai plus robuste.
Optimisation des métriques de perte : Remplacement des critères d'optimisation basés sur l'exactitude (nominal) par des critères basés sur l'erreur (MAE/MSE) pour la sélection des paramètres et la discrétisation, alignant ainsi l'apprentissage sur la nature ordinaire du problème.
Analyse comparative rigoureuse : Évaluation sur 18 jeux de données avec 30 exécutions chacune, utilisant à la fois des métriques nominales et ordinales.

4. Résultats Expérimentaux

Les expériences comparent O-TDE à quatre méthodes de référence (nominales) : BOSS, cBOSS, WEASEL et TDE.

Métriques utilisées :
- Nominales : Taux de Classification Correcte (CCR/Accuracy).
- Ordinales : Erreur Absolue Moyenne (MAE), Kappa Pondéré Quadratique (QWK), et Précision 1-OFF (tolérance d'une classe d'erreur).
Performances :
- O-TDE obtient les meilleurs résultats sur l'ensemble des métriques ordinales (MAE et QWK).
- Il se classe premier ou deuxième sur 14 des 18 jeux de données pour le MAE.
- Le Rank moyen de O-TDE est de 2.00, le meilleur parmi tous les algorithmes testés (TDE est à 2.78, WEASEL à 2.67, cBOSS à 3.33, BOSS à 4.17).
- Surprise notable : O-TDE surpasse également les méthodes nominales en termes de CCR (Exactitude). Cela démontre que l'intégration de l'information ordinale améliore non seulement la précision de l'ordre, mais aussi la capacité globale de discrimination du modèle.
- Les tests statistiques (Nemenyi et Wilcoxon) confirment que la supériorité de O-TDE est statistiquement significative pour les métriques MAE et 1-OFF.

5. Signification et Conclusion

Cet article démontre que l'ignorance de l'ordre naturel des classes dans les problèmes de séries temporelles conduit à une sous-optimisation des modèles. En adaptant l'état de l'art des méthodes à dictionnaires (TDE) pour tenir compte de l'ordinalité (via O-TDE), les auteurs obtiennent des performances supérieures.

Points forts de la contribution :

Généralité : La méthode fonctionne aussi bien sur des séries univariées que multivariées.
Efficacité : L'utilisation du processus gaussien pour la sélection de paramètres réduit la complexité computationnelle tout en améliorant la précision.
Impact : Cette travail ouvre la voie à l'application de techniques avancées de TSC dans des domaines critiques où l'ordre des classes est crucial (diagnostic médical, gestion des risques financiers, contrôle de qualité industrielle).

En conclusion, O-TDE établit un nouveau standard pour la classification ordinale de séries temporelles, prouvant que les approches spécifiques à la nature des données (ici, l'ordinalité) surpassent systématiquement les approches génériques.