Machine learning and extremes for anomaly detection

Résumé : La détection d'anomalies est tout d'abord une étape utile de pré-traitement des données pour entraîner un algorithme d'apprentissage statistique. C'est aussi une composante importante d'une grande variété d'applications concrètes, allant de la finance, de l'assurance à la biologie computationnelle en passant par la santé, les télécommunications ou les sciences environnementales. La détection d'anomalies est aussi de plus en plus utile au monde contemporain, où il est nécessaire de surveiller et de diagnostiquer un nombre croissant de systèmes autonomes. La recherche en détection d'anomalies inclut la création d'algorithmes efficaces accompagnée d'une étude théorique, mais pose aussi la question de l'évaluation de tels algorithmes, particulièrement lorsque l'on ne dispose pas de données labellisées -- comme dans une multitude de contextes industriels. En d'autres termes, l'élaboration du modèle et son étude théorique, mais aussi la sélection du modèle. Dans cette thèse, nous abordons ces deux aspects. Tout d'abord, nous introduisons un critère alternatif au critère masse-volume existant, pour mesurer les performances d'une fonction de score. Puis nous nous intéressons aux régions extrêmes, qui sont d'un intérêt particulier en détection d'anomalies, pour diminuer le taux de fausse alarme. Enfin, nous proposons deux méthodes heuristiques, l'une pour évaluer les performances d'algorithmes de détection d'anomalies en grande dimension, l'autre pour étendre l'usage des forets aléatoires à la classification à une classe.
Type de document :
Thèse
Machine Learning [stat.ML]. Télécom ParisTech, 2016. English. 〈NNT : 2016ENST0072〉
Liste complète des métadonnées

https://pastel.archives-ouvertes.fr/tel-01660997
Contributeur : Florence Besnard <>
Soumis le : lundi 11 décembre 2017 - 15:47:47
Dernière modification le : jeudi 11 janvier 2018 - 02:52:43

Identifiants

  • HAL Id : tel-01660997, version 1

Collections

Citation

Machine learning and extremes for anomaly detection. Machine Learning [stat.ML]. Télécom ParisTech, 2016. English. 〈NNT : 2016ENST0072〉. 〈tel-01660997〉

Partager

Métriques

Consultations de la notice

34