Stage - Chercheur Intelligence Artificielle - Machine Learning H/F

Classification précoce de séries temporelles F/H

Dans ce stage, nous nous intéresserons à la classification précoce de séries temporelles (ECTS), où les séries sont observées au fur et à mesure, et dont l'objectif est de déclencher les prédictions de classe avant que les séries observées ne soient complètes. D'un côté, la collecte de plus d'information permet souvent d'obtenir une meilleure prédiction, mais attendre peut poser des problèmes importants (pannes, sécurité, ...). Il s'agit donc d'optimiser le compromis entre la qualité des prédictions et leur précocité. Pour ce faire, on suppose disposer d'une matrice de coût de mauvaise classification et d'un coût d'attente.

Récemment, Orange a réalisé de nombreuses contributions dans ce domaine, notamment : (i) une étude comparative des principales approches de la littérature [1] ; (ii) une librairie python open source [2] ; (iii) une nouvelle approche basée sur l'apprentissage par renforcement [3] surpassant les méthodes de l'état de l'art.

Historiquement, les algorithmes d'ECTS ont été développés et testés sur des ensembles de données ouverts, très populaires au sein de la communauté, mais souffrant de plusieurs défauts, comme : un nombre d'exemple d'apprentissage restreint, des pré-traitements inconnus, des données ne représentant pas des séries temporelles. Récemment, un nouvel ensemble de jeux de données résolvant la plupart des points négatifs identifiés a été proposé [4].

Le but de ce stage est d'appliquer les algorithmes ECTS développés par Orange sur ces nouvelles données et plus particulièrement d'optimiser ces algorithmes pour traiter de gros volumes de données. La parallélisation, l'accélération matériel sur GPU seront des pistes à explorer. En complément, le développement de nouvelles approches (i) basées sur l'apprentissage faiblement supervisé [5] (ii) capables de traiter des séries temporelles ouvertes [6] fera l'objet d'un travail de recherche et d'expérimentations.

[1] Renault, Aurélien, et al. "Early Classification of Time Series: Taxonomy and Benchmark.", 2024
[2] Renault, Aurélien, et al. "ml_edm package: a Python toolkit for Machine Learning based Early Decision Making.", 2024
[3] Renault, Aurélien, et al. "Deep Reinforcement Learning based Triggering Function for Early Classifiers of Time Series", 2025.
[4] Angus Dempster, et al. "MONSTER: Monash Scalable Time Series Evaluation Repository", 2025.