IA ANR-DFG-JST - Appel trilatéral ANR-DFG-JST en Intelligence Artificielle (IA)

Analyse enrichie de flux de données via la méthode de la signature combinée à de 'apprentissage statistique – EDDA

Résumé de soumission

Les séries temporelles multivariées sont préentes dans de nombreux domaines scientifiques et industriels. La plupart du temps, les modèles linéaires ne sont pas suffisants pour rendre compte de la nature complexe des données. L'analyse de séries temporelles par des méthodes de machine learning est largement motivée par le besoin d'avoir des méthodes interprétables utilisant des caratéristiques non linéaires.
Le projet EDDA a pour objectif d'améliorer les approches existantes en considérant les intégrales itérées des composantes de la série temporelle multivariées, ce qui encode les non linéairités des séries temporelles multivariées.
Le projet EDDA a pour but de rassembler des experts venant de disciplines différentes : machine learning, analyse stochastique et praticiens en océanographie pour travailler ensemble à l'atteinte des objectifs suivants 1) explorer et exploiter l'interprétabilité des IIS 2) identifier des stratégies pour élaborer des algorithmes de machine learning basés sur les IIS et 3) développer des applications pertinentes en analyse de séries temporelles multivariées.

Coordinateur du projet

Madame Marianne Clausel (Institut Elie Cartan de Lorraine)

L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.

Partenaire

IECL Institut Elie Cartan de Lorraine

Aide de l'ANR 309 960 euros
Début et durée du projet scientifique : février 2021 - 36 Mois

Liens utiles

Inscrivez-vous à notre newsletter
pour recevoir nos actualités
S'inscrire à notre newsletter