DBA and K-means clustering : Explainability problems for research on behaviors and strategies - Inria - Institut national de recherche en sciences et technologies du numérique Accéder directement au contenu
Rapport (Rapport De Recherche) Année : 2023

DBA and K-means clustering : Explainability problems for research on behaviors and strategies

DBA et le clustering des k-moyennes : Des problèmes d’explicabilité pour la recherche sur les stratégies et comportements

Résumé

Studying creative problem solving (CPS) activities can enrich our understanding of human learning by facilitating the observation of behaviors related to realistic situations of complex open-ended problem solving . Actions taken by an individual in such activities are situated in time, thus allowing the creation of time sequences of observations. These observations are not purely numerical, and thus can be represented by symbolic time sequences. In particular, the formal analysis of such time sequences leads to a better understanding of the role of temporality in the adoption of CPS strategies. For this, we propose to apply clustering algorithms in order to group sequences in categories that could be associated with emergent behavioral patterns, either at the whole activity level or at the level of subsequences of actions. Clustering requires the definition of a distance between symbolic data structures representing observations, used to determine the distance (more precisely dissimilarity), and the capacity to interpret such clusters. Our ongoing research uses Dynamic Time Warping (DTW) as an algorithm to compute dissimilarity between sequences. This technical report addresses the issue of computing a K-means clustering algorithm and centroids with DTW for symbolic sequences, using an approximation algorithm named DTW Barycenter Averaging (DBA). It appears that DBA for symbolic sequences is not relevant as it produces non-explainable sequences for the pattern analysis, but this negative result is of interest and allows us to propose an alternative. Clustering algorithms using medoids will be preferred in future research, and we explain why in this report.
L’étude des activités de résolution créative de problèmes enrichit notre compréhension de l’apprentissage humain en permettant d’observer les comportements humains dans des situations réelles de résolution de problèmes ouverts et complexes. L’observation des actions effectuées est située dans le temps, ce qui permet la création de séquences temporelles d’observations, qui peuvent être représentées par des séquences symboliques. L’analyse de ces séquences temporelles permet ainsi de mieux comprendre le rôle de la temporalité dans l’adoption de stratégies pour la résolution créative de problèmes. Pour cela, nous proposons d’utiliser des algorithmes de clustering afin de regrouper des séquences similaires qui pourraient ainsi être associés à des types de comportements, que ce soit des comportements généraux pour l’activité ou des comportements relatifs à seulement une sous-séquence d’actions. Les algorithmes de clustering nécessitent la définition d’une distance entre ces structures temporelles et symboliques. Nous utilisons le Dynamic Time Warping (DTW) (ou déformation temporelle dynamique) comme méthode permettant de calculer la dissimilarité entre les séquences. Cependant, dans l’optique d’utiliser des algorithmes tels que l’algorithme des k-moyennes, nous avons besoin de mettre en place un algorithme permettant de calculer des centroïdes. Pour cela, nous utilisons un algorithme nommé le DTW Barycenter Averaging (DBA). Cependant, le DBA n’est finalement pas pertinent dans notre analyse de données, car la méthode donne lieu à des centroïdes non interprétables, et pour d’autres raisons relatives à la structure hiérarchique de nos données symboliques. Ainsi, nos prochains travaux se concentreront sur l’utilisation des médoïdes à la place des centroïdes.
Fichier principal
Vignette du fichier
dba-doesnt-work-palaude-2023.pdf (1.46 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Licence : CC BY - Paternité

Dates et versions

hal-04254844 , version 1 (04-12-2023)

Licence

Paternité

Identifiants

  • HAL Id : hal-04254844 , version 1

Citer

Axel Palaude, Thierry Viéville. DBA and K-means clustering : Explainability problems for research on behaviors and strategies. RR-9522, Inria & Labri, Université Bordeaux. 2023, pp.17. ⟨hal-04254844⟩
66 Consultations
44 Téléchargements

Partager

Gmail Facebook X LinkedIn More